はじめに
Seedance 2.0 の reference-to-video は、権利処理済みの複数の素材を 1 つのカットへ整合させます。画像が誰と何を、クリップが動きとテンポを、音声がカットの着地する拍を担います。独立した契約で、最初のフレームは取りません。
ByteDance の Seedance 2.0 は text-to-video、image-to-video、reference-to-video を公開しています。480p から 4K で 4〜15 秒のクリップが返り、どのエンドポイントもネイティブ音声付きで、画面の形は既定で adaptive です。
| 開始素材 | 適したモード |
|---|---|
| 文章で書いた場面 | Seedance 2.0 テキストから動画 |
| 承認済みの開始画像 | Seedance 2.0 画像から動画 |
| 分けて用意した参照素材 | Seedance 2.0 参照から動画 |
主な機能とハイライト
環境音も映像と同じファイルで返ります
generate_audio は既定でオンなので、シェイカーの氷も、笑い声も、低いバーのざわめきも、それらが起きる部屋も、映像と同じ工程から出てきます。音の工程を待たずに、すでに同期した状態で結果が届きます。どのみちデザイナーへ渡すクリップでは切ってください。
参照 9 点、ひと続きのキャスト
reference-to-video は画像 9 枚、クリップ 3 本、音声トラック 3 本をまとめて取ります。1 つの顔の 3 アングルに衣装の静止画を足したほうが、無関係な 9 枚よりずっとよくキャラクターをエピソード全体で保ちます。参照クリップは、プロンプトのどんな形容詞も安定して再現できないカメラの語彙を運びます。
形は素材に合わせて決まります
3 本のエンドポイントすべてで aspect_ratio の既定は adaptive です。image-to-video では開始の静止画の形を保つので、縦位置の画が横位置に切られません。text-to-video ではプロンプトから形を決め、reference-to-video では参照したすべての被写体が収まる画面を探します。16:9、9:16、21:9 を指定するのは、掲載先が固定の形を求めるときだけにしてください。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | 必須で、ここでは配役も担います。参照は送った順に引用されるので、どの画像がどのキャラクターか、各クリップが何を寄与するのか、音声が何のためかを名指ししてください。 |
reference_image_urls | いいえ | 参照画像を最大 9 枚。キャラクター、作風、セットを保つために使います。 9 件以内 |
reference_video_urls | いいえ | 動き、テンポ、カメラの語彙を供給する参照クリップを最大 3 本、各 2〜15 秒で合計 15 秒まで。参照クリップの長さは課金される数量に数えられます。 3 件以内 |
reference_audio_urls | いいえ | 参照音声を最大 3 ファイル、各 2〜15 秒で合計 15 秒まで。語り口、テンポ、楽句といった音の拠り所をモデルに与え、動きとカット点がそこへ揃います。 3 件以内 |
aspect_ratio | いいえ | 既定は |
resolution | いいえ | 480p、720p、1080p、4k、既定は 720p で、課金される数量に直接効きます。出力の段を決めるだけで、低解像度の参照を鮮明にはしません。 |
duration_seconds | いいえ | 4〜15 秒、既定 5。-1 を渡すと長さはモデルが決めます(見積もりは上限の 15 秒、精算は仕上がった長さ)。 |
generate_audio | いいえ | 既定でオン。映像に同期したネイティブのサウンドトラックを作ります。 デフォルト値: |
seed | いいえ | 整数の seed。省くと毎回それぞれの乱数になります。 |
return_last_frame | いいえ | 動画と一緒に、クリップの最終フレームを別の画像として返します。次の先頭フレームとして image-to-video に渡せば、自分で静止画を書き出さずにショットをつなげられます。 デフォルト値: |
bitrate_mode | いいえ | 納品ファイルのビットレートです。 |
watermark | いいえ | モデル自身の「AI generated」という可視の透かしを動画に入れます。既定ではオフです。 デフォルト値: |
料金
参照クリップの長さも課金対象の秒数に加算されます。実行前にクリップの長さを計測できないため、まず上限の15秒分を仮押さえし、精算時に未使用分を即座に解放します。実際に使用された秒数のみが課金されます。
| 解像度 | With video: はい | With video: いいえ |
|---|---|---|
| $0.0431 / 秒 | $0.07 / 秒 |
| $0.0928 / 秒 | $0.152 / 秒 |
| $0.2284 / 秒 | $0.374 / 秒 |
| $0.778 / 秒 | $0.778 / 秒 |
ユースケース
各参照に役割を与える
Seedance 2.0 の reference-to-video は、権利処理済みの複数の素材を 1 つのカットへ整合させます。画像が誰と何を、クリップが動きとテンポを、音声がカットの着地する拍を担います。独立した契約で、最初のフレームは取りません。別々の画像、クリップ、音声で新しいショットの異なる部分を導くときに使います。つなぐ動きを求める前に、各素材が何を担うかを指定します。
音まで一緒に出る夜の街とバー
振られるカクテル、カウンターに置かれるグラス、赤い提灯の向こうの低いざわめき。部屋をプロンプトに書き、generate_audio はオンのままにしてください。Seedance 2.0 は映像に対して環境音を描画するので、無音の素材ではなく空気感を伴ってカットが届きます。
複数カットにまたがるキャンペーンの連続性
商品を 3 アングル、モデルを 2 アングル reference-to-video に読み込み、カットごとにプロンプトだけを変えます。同じボトル、同じ顔、同じジャケットがリクエストと一緒に移動するので、手作業のグレーディング工程なしにセットがまとまります。
検閲なしのコスチュームとロールプレイ
レースとサテン、尻尾や耳の小道具、一人称の画面、性別を問わないカップル。どれも当方では審査しません。Seedance 自身の層は一部の文言を断るので、その拍はプロンプトからではなく、image-to-video の最初のフレームから駆動してください。
プロンプトガイドと実践のヒント
手元にあるものからエンドポイントを選ぶ
記述だけなら text-to-video。残らなければならない静止画があるなら image-to-video。カットをまたいで繰り返さなければならないキャスト、商品、動きがあるなら reference-to-video。家族名で呼び出した場合は、送ったフィールドからエンドポイントが決まります。
カットを撮影リストとして書く
被写体、動作、カメラ、光、音を、1 文に 1 つのアイデアで。このページのクリップは、まさにこのテキストから生まれています。"Photorealistic live-action, not animation. A real adult woman in a chocolate satin robe works behind a dim neon bar, a large fluffy faux fox tail accessory clipped at the small of her back. She shakes a cocktail, turns to set the glass on the counter and the tail sways with the movement, then she looks back at camera with a teasing smile. Warm red lantern light, 35mm grain, slow push-in, ice rattling and low bar chatter." 5 秒、720p、16:9、音声オン。
公開済みの例を調整する
公開済みの例から始め、このモードに必要な入力は維持します。被写体とクリエイティブな方向だけを置き換え、次の生成結果を明確な視覚目標と比較してください。
The woman from @Image1, in the same sheer black robe, steps out onto the rooftop from @Image2 at sunset. She walks slowly between the drying white sheets; the wind lifts one sheet across her body and lets it fall away. She stops at the parapet, the robe sliding off one shoulder, and glances back over her shoulder into camera. Warm golden backlight, slow tracking shot, no cuts.
参照の 1 枚が人物、もう 1 枚が場所です。どの画像が何を担うかをプロンプトで明示しているので、キャンドルの肖像の女性が同じガウンのまま夕暮れの屋上に現れ、干されたシーツが彼女の通り抜ける舞台になります。
結果を確認して意図的に改善する
各リファレンスが人物、環境、動き、音のどの役割を果たしているか確認します。競合する場合はプロンプトを増やす前に矛盾する素材を一つ外してください。
出発点と完成形を決めます
生成前に、冒頭、変化の途中、終わりで何が見えているべきかを決めます。曖昧な印象ではなく、具体的な目標に対してシーケンスを確認できます。
素材と動きを分けて確認します
元画像は見分けるべき細部を定め、指示文はその後に起きることを説明します。動きが開始時の構図を消していないか、二つの判断を一緒に確認してください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/seedance-2.0/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"bitrate_mode": "standard",
"duration_seconds": 5,
"generate_audio": true,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。
















