はじめに
prompt と、reference_image_urls、reference_video_urls、reference_audio_urls のいずれか 1 つ以上を送ります。各リファレンスは、人物、商品、カメラの動き、声のどれか、シーンの中での自分の役割を持ちます。duration_seconds、resolution、aspect_ratio、audio は任意です。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 動画 |
| 提供元 | ByteDance(Seedance 2.5 Flash は Seedance 2.5 の高速版で、2026 年 11 月 12 日に BytePlus が発表) |
| API 名 | bytedance/seedance-2.5-flash/text-to-video、image-to-video、reference-to-video、video-edit、video-extend |
| 解像度 | 480p または 720p(既定は 720p)。1080p と 4K は非対応 |
| クリップの長さ | 4〜30 の整数秒、既定は 5 秒。動画編集は 4〜30 秒の元クリップに従う |
| アスペクト比 | テキストとリファレンスのリクエストでは 16:9(既定)、9:16、4:3、3:4、1:1、21:9、adaptive。画像から動画は開始画像に従う |
| リファレンスの上限 | リファレンスから動画では、画像 10 枚、動画 5 本(合計 30 秒)、音声 5 本まで |
| リファレンス動画の条件 | 1 本につき 2 秒以上として数え、約 409,600 ピクセル(854×480 以上)が必要 |
| 編集の入力 | 4〜30 秒の |
| 音声 |
|
| 出力オプション | mp4(既定)または mov。watermark は既定でオフ。 |
| 課金の基準 | 解像度ごとの秒単位。リファレンス動画はその秒数を加算、編集は元クリップの秒数。失敗した生成は無料 |
| 実測の生成時間 | 4 秒・480p で 84 秒〜約 11 分(2026 年 11 月 13 日の実行) |
主な機能とハイライト
上限を下げた、フラッグシップのワークフロー
Flash は、下書きに向く Seedance 2.5 の 4 つのワークフロー(テキスト、開始・終了フレーム、混合リファレンス、クリップ編集)を残して 1080p と 4K を外し、画像から動画モードを使った動画延長を加えています。BytePlus はこのトレードオフを、フラッグシップに近い結果をほぼ 2 倍の速度で、と説明しています。私たちの 4 秒・480p のレンダーは 84 秒から約 11 分かかったので、速度はご自身のキューで測ってください。
プロンプトで、アップロードごとに役割を与える
素材は、スペースを入れた種類と順番(@Image 1、@Video 1、@Audio 1)で呼びます。2 枚のポートレートを @Image 1 と @Image 2 にして 16:9 で試したときは、2 人が同じエレベーターの場面に並び、顔、髪、服もそのまま保たれました。画像 1 枚、クリップ 1 本、声のファイル 1 本の場合は、クリップの通り、黄色い路面電車、追いかけるカメラが引き継がれましたが、人物は背中を向けたままで、@Image 1 の顔はほとんど映りませんでした。
晴れた通りが雪の夕方に
2 人の乗り手、自転車、路面電車、カメラの動きは、元のフレームとコマごとに一致し、天気と光だけが変わって、ほかは変わりませんでした。音声オフの 4.0 秒・480p のクリップで、元のサウンドトラックもそのまま残りました。
スイッチ 1 つで、どちらのサウンドトラックにするかが決まる
generate_audio は既定でオンで、映像と一緒にセリフ、効果音、環境音を生成します。動画編集でオフにすると元クリップ自身のトラックが残り(私たちのテストでは 44.1 kHz)、オンにすると @Audio 1 に沿える新しいトラックが生成されます。このスイッチは料金に影響しません。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | 各素材を、スペースと種類ごとの番号で呼び(@Image 1、@Image 2、@Video 1、@Audio 1)、人物、商品、カメラの動き、声のうち 1 つの役割を与えます。番号は種類ごとに数えるので、画像の数にかかわらず、動画リストの先頭のクリップが @Video 1 です。 1 文字以上 · 20000 文字以内 |
reference_image_urls | いいえ | 人物、商品、場所、残したい見た目の画像を 10 枚まで。被写体ごとに、明るく写りのはっきりした画像を 1 枚送り、プロンプトで名前を挙げて呼んでください。 1 件以上 · 10 件以内 |
reference_video_urls | いいえ | 5 本まで、合計 30 秒で、それぞれ約 409,600 ピクセル以上が必要です。854×480 と 1280×720 は通りましたが、640×360 のクリップは送信時に拒否されました。 1 件以上 · 5 件以内 |
reference_audio_urls | いいえ | 声、音楽、効果音のファイルを 5 本まで、合計 30 秒まで。プロンプトで「@Audio 1 の声で」のように指し示してください。 1 件以上 · 5 件以内 |
aspect_ratio | いいえ | 16:9(既定)、9:16、4:3、3:4、1:1、21:9、または adaptive(形をモデルが選びます)。9:16 で試した 2 枚画像のテストは、480×854 で返りました。 |
resolution | いいえ | 指定できるのは 480p と 720p で、既定は 720p です。Flash に 1080p はありません。 |
duration_seconds | いいえ | 4 秒から 30 秒までの整数で指定し、省略時は 5 秒になります。指定した秒数は、添付したクリップの秒数に加えて課金されるので、短いシーンに短いクリップを組み合わせると、下書きの費用を小さく保てます。 |
generate_audio | いいえ | 既定でオンのため、シーンには同期したセリフ、効果音、環境音が付きます。添付した音声ファイルは、その音を導くためのものです。 デフォルト値: |
output_format | いいえ | mp4 が既定で、mov も指定できます。編集ソフトが求めるコンテナを選んでください。 |
return_last_frame | いいえ | 既定はオフです。オンにすると、最後のフレームが JPEG としても返り、画像から動画で続きのショットを作るときの開始フレームにして、同じ登場人物を引き継げます。 デフォルト値: |
watermark | いいえ | 既定はオフです。オンにすると、フレームにモデルの透かしが見える形で入ります。 デフォルト値: |
料金
480p か 720p の単価で、秒ごとに課金されます。リファレンス動画を付けると、その秒数(1 本につき 2 秒以上)が指定秒数に加算され、合計全体に動画付きの低い単価が適用されます。リファレンス画像と音声ファイル、音声のオン・オフ、画面比、透かし、最後のフレーム、形式は料金を変えず、失敗した生成は課金されません。
| 解像度 | With video: はい | With video: いいえ |
|---|---|---|
| $0.0706 / 秒 | $0.115 / 秒 |
| $0.147 / 秒 | $0.2392 / 秒 |
ユースケース
最終レンダーの前にショットの流れを試す
末尾に Audio: の行を付けた 4 秒・480p・16:9 のプロンプトを送ります。例は雨の夜の横断歩道です。私たちのテストでは、24 fps の 854×480、長さ 4.064 秒で、雨音と笑い声の AAC ステレオ音声が付いて返りました。語句を 1 つだけ変えて再実行すれば、何が変わったかを見比べられます。
撮影済みの映像のスタイルを変える
4〜30 秒のクリップをアップロードし、変更点を書いたあと、残すものを並べます。テストでは、2 人の自転車と路面電車がいる晴れた通りが雪の夕方になり、generate_audio をオフにすると元のサウンドトラックがそのまま返りました。
キャラクターと商品のモックアップ
人物写真と商品写真を @Image 1 と @Image 2 として付け、9:16 を指定します。2 枚の画像を使ったテストでは、男性がガラスのスポイトボトルをレンズに向けて持ち上げる 480×854 の映像が返り、両方のリファレンスが反映されました。結果はアイデアの確認に使い、そのあとで仕上げ版を作ってください。
ポートレートのループアニメーション
同じ写真を image_url と last_image_url の両方に指定し、その間の動きを書きます。陶芸家のポートレートでは、562×748・4.064 秒のクリップが返り、最初と最後のフレームがどちらも元のポーズと一致しました。
1 つのショットを次のショットにつなぐ
return_last_frame を true にすると、MP4 と一緒に最後のフレームの JPEG が届きます(テストでは 480p・16:9 で 854×480)。その JPEG を次の画像から動画のリクエストの image_url に渡せば、次のショットを前のショットの終わりから始められます。
プロンプトガイドと実践のヒント
入力に合わせてエンドポイントを選ぶ
プロンプトだけならテキストから動画、開始フレームがあるなら画像から動画、画像・クリップ・声を使うならリファレンスから動画、手元の 4〜30 秒のクリップを直すなら動画編集、最大 60 秒のクリップに 4〜30 秒を足すなら動画延長を使います。5 つとも、480p/720p の範囲と
generate_audioのスイッチは共通です。createTask リクエストを送る
POST https://api.spicyapi.ai/api/v1/jobs/createTask に、ヘッダー Authorization: Bearer YOUR_SPICY_API_KEY と、ボディ {"model": "bytedance/seedance-2.5-flash/text-to-video", "input": {"prompt": "A lighthouse keeper climbs a spiral stair at dawn and wipes fog from the lamp glass. Audio: wind, boots on iron.", "
duration_seconds": 4, "resolution": "480p"}} を付けて送信します。完成したクリップをポーリングで取得する
レスポンスには、state が queued の taskId が入っています。state が succeeded になるまで GET /api/v1/jobs/recordInfo?taskId=YOUR_TASK_ID を呼ぶか callBackUrl を渡し、完了したら output.assets から MP4 の URL を読み取ります。項目の詳細は、docs.spicyapi.ai/docs/tasks のタスクガイドにあります。
1 つの語句を変えて、次へ進む
バリエーションは 480p・4 秒で比べ、1 回の実行で変えるのは 1 つの語句だけにします。うまくいったテイクは、720p と目的の長さで再実行するか、1080p が必要なら同じ指示を Seedance 2.5 に送ってください。
Seedance 2.5 Flash リファレンスから動画でできること
Seedance 2.5 Flash のリファレンスから動画は、ByteDance の Seedance 2.5 の Flash 版に用意された、複数リファレンス用のエンドポイントです。画像は 10 枚、動画は 5 本、音声は 5 本まで添付でき、プロンプトで、それぞれが 480p か 720p・4〜30 秒の新しいシーンに何をもたらすかを指定します。音声付きです。
リファレンスが与えるのは、人物らしさ、商品の見た目、カメラの動き、声のいずれかです。どれも冒頭のフレームにはならないので、特定の 1 枚から始めたいショットは、画像から動画に向いています。ByteDance のクラウドプラットフォームである BytePlus は、Flash を「フラッグシップの Seedance 2.5 に近い結果を、ほぼ 2 倍の生成速度で」と説明しており、対応は 480p と 720p のみです。
リクエスト例
Authorization: Bearer YOUR_SPICY_API_KEY ヘッダーを付けて POST https://api.spicyapi.ai/api/v1/jobs/createTask を送り、次のボディを渡します(タスク API ガイド)。種類ごとにリストの順で別々に番号が付き、ポートレートは @Image 1、クリップは @Video 1、声のファイルは @Audio 1 です。
{
"model": "bytedance/seedance-2.5-flash/reference-to-video",
"input": {
"prompt": "The man from @Image 1 walks past the vintage car at the roadside gas station from @Video 1, filmed with the same slow camera move. He stops by the pump, looks into the lens and says a short friendly greeting in the voice from @Audio 1.",
"reference_image_urls": ["https://example.com/man-portrait.jpg"],
"reference_video_urls": ["https://example.com/gas-station-1280x720.mp4"],
"reference_audio_urls": ["https://example.com/greeting-voice.mp3"],
"duration_seconds": 4,
"resolution": "480p",
"aspect_ratio": "16:9",
"generate_audio": true
}
}
レスポンス例
送信すると {"code": 200, "msg": "success", "data": {"taskId": "YOUR_TASK_ID", "state": "queued"}} が返ります。GET /api/v1/jobs/recordInfo?taskId=YOUR_TASK_ID をポーリングするか、callBackUrl を渡してください。完了したタスクは次のようになります。
{"code": 200, "msg": "success", "data": {"taskId": "YOUR_TASK_ID", "state": "succeeded", "output": {"assets": [{"url": "https://example.com/seedance-flash-reference.mp4"}]}}}
パラメーター
| パラメーター | 値 |
|---|---|
prompt | 必須。アップロードを @Image 1、@Video 1、@Audio 1 と呼ぶ |
reference_image_urls | 画像 10 枚まで |
reference_video_urls | 動画 5 本まで、合計 30 秒、それぞれ約 409,600 ピクセル以上 |
reference_audio_urls | 音声 5 本まで、合計 30 秒 |
duration_seconds | 4〜30、既定は 5 |
resolution | 480p または 720p、既定は 720p |
aspect_ratio | 16:9(既定)、9:16、4:3、3:4、1:1、21:9、adaptive |
generate_audio、watermark、return_last_frame、output_format | 既定は順に true、false、false、mp4(mov も可) |
画像、動画、音声のうち少なくとも 1 つを送ってください。ここには image_url の項目はありません。
課金の仕組み
課金は、選んだ解像度の単価で秒ごとに行われます。リファレンス動画がなければ、課金される長さは指定した秒数です。
動画を添付すると、指定した秒数にすべてのクリップの秒数(それぞれ 2 秒以上として数えます)を足した長さが、低めの秒単価で課金されます。このページの価格に両方の段階が載っているので、クリップは必要な部分にトリミングしてください。画像、音声ファイル、音声のスイッチ、画面比、透かし、最後のフレーム、形式は料金を変えません。失敗に終わった生成の分は課金されません。
うまくいかせるコツ
リファレンスごとに役割を与えてください。タグだけでは、モデルが推測することになります。
| 名前 | 役割 | 使った言い回し |
|---|---|---|
@Image 1 | 人物らしさ | "The man from @Image 1" |
@Image 2 | 商品 | "the glass dropper bottle from @Image 2" |
@Video 1 | カメラの動き | "filmed with the same slow camera move" |
@Audio 1 | 声 | "in the voice from @Audio 1" |
名前は、私たちの例と同じ @Image 1 のように、スペースを入れて書いてください。番号は種類ごとに数えるので、画像が何枚あっても、動画リストの先頭のクリップは @Video 1 です。
顔を指定する。 あるテストでは、ポートレート、4 秒のクリップ、音声ファイルを渡すと、クリップの通り、黄色い路面電車、追いかけるカメラは引き継がれましたが、人物は背中を向けたままで、@Image 1 の顔はほとんど映りませんでした。顔の向き先は、ガソリンスタンドの例の「looks into the lens」のように書いてください。
クリップから何を受け継ぐかを決める。 そのテストでは、カメラの動きと一緒に舞台も引き継がれました。動きだけを取りたいときは、そう書いてください。
テストでわかったこと
すべて 2026 年 11 月 13 日に、480p・4 秒・音声オンで実行しました。
| リファレンス | 結果 | 時間 |
|---|---|---|
| ポートレート、5.04 秒の 1280×720 のクリップ、声のファイル | 854×480、4.064 秒。男性がクラシックカーの横を通り、レンズに微笑む | 2.5 分 |
| 画像 2 枚(男性、スポイトボトル)、9:16 | 480×854。ボトルを持ち上げてカメラに向け、両方のリファレンスが使われた | 5.4 分 |
| ポートレート、4 秒のクリップ、音声ファイル | 通り、路面電車、カメラは維持。人物は背中向き | 9.4 分 |
Flash の 4 つのエンドポイントすべてで、4 秒・480p のクリップは 84 秒から約 11 分かかり、720p や長いクリップはさらに時間がかかります。Flash だけのこれらの所要時間は、BytePlus による Seedance 2.5 との比較を裏づけも否定もしません。
制限とエラー
| 制限 | 起きること | 対処 |
|---|---|---|
| 画像が 10 枚、動画が 5 本、音声が 5 本を超える、またはクリップが合計 30 秒を超える | 検証に失敗する | 役割のあるリファレンスだけを残し、クリップをトリミングする |
| 約 409,600 ピクセル未満のクリップ | createTask は送信時に拒否され、レンダーは始まらない。私たちの 640×360 のクリップ(230,400 ピクセル)も拒否された | 854×480 か 1280×720 以上で書き出し直す。縦長の 480×854 のクリップも通る |
使用権のある顔、声、映像だけを使い、生成した人物を実在の人物として見せないでください。モデルは独自の著作権・肖像のチェックを行っており、リクエストを断ることがあります。
兄弟モデルを選ぶとき
- Flash 画像から動画:1 枚の画像からショットを始めたいとき。
- Flash テキストから動画:プロンプトだけで作るとき。Flash 動画編集:既存のクリップを変えたいとき。
- Seedance 2.5:720p を超える納品、4K、クリップの延長。
- Seedance 2.0 Fast:延長に対応した、前世代の高速版。
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/seedance-2.5-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"output_format": "mp4",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。










