Novita AI で Seedance 1.5 Pro を利用すれば、ByteDance の高度な視聴覚 AI を開発者に大規模に提供できます。 45億パラメータのこのモデルは、8言語で音素レベルのリップシンク精度、ネイティブの映画的な制御、同期された空間オーディオを実現します。これらの機能は、従来は高価なポストプロダクションチームが必要でした。
対話型動画アプリケーションを構築する開発者にとって、Novita AI のサーバーレスデプロイメントは、設定可能な解像度（480p/720p）とアスペクト比を提供します。以下では、これがプロダクションワークフローにとって重要である理由を詳しく説明します。
Seedance 1.5 Pro の特長
ネイティブな共同視聴覚生成
従来のビデオ→オーディオのシーケンシャルパイプラインとは異なり、Seedance 1.5 Pro はデュアルブランチ拡散トランスフォーマーを使用 し、同期されたビデオフレームとオーディオ波形を同時に生成します。クロスモーダル共同モジュールは、視覚と音声のミリ秒レベルのアライメントを維持し、以前のモデルを悩ませていたリップシンクのずれの問題を解決します。
このアーキテクチャは、音素単位の正確な口の動き （個々の音声を正しい口の形にマッピング）、 空間オーディオポジショニング （部屋の音響に基づいて足音が正しく反響する）、 感情的一貫性（音楽の強度が視覚的なペースに合う）という3つの重要な利点をもたらします。対話重視のアプリケーションでは、手動のオーディオクリーンアップが不要になります。
https://www.youtube.com/watch?v=yaB3LJElhZA
多言語方言サポート
このモデルは、四川語、台湾華語、広東語、上海語を含む中国語の地域方言と、英語、日本語、韓国語、スペイン語、ポルトガル語、インドネシア語、ヒンディー語の8言語を処理できます。各方言は、リップシンクの精度を維持しながら、本物の発音パターンを保持します。これは、ローカライズされたコンテンツキャンペーンにとって重要です。
映画的な制御ボキャブラリー
開発者は自然言語でカメラの動きを指定できます：「被写体の感情のピークでドリーズーム」、「カーチェイスを追うトラッキングショット」、「話者間のワイプパン遷移」。モデルはこれらの指示を、正しい物理特性を備えたスムーズなカメラモーションに変換します。手動のキーフレーミングは不要です。
Seedance 1.5 Pro の技術仕様
| 仕様 | 詳細 | 開発者への影響 |
|---|---|---|
| モデルアーキテクチャ | 45億パラメータのデュアルブランチ拡散トランスフォーマー | 推論に必要なVRAMが低い（約16GB）、高速生成 |
| ネイティブ解像度 | 720p（480pも選択可能） | 4Kワークフローには外部アップスケーリングが必要 |
| 長さの範囲 | クリップあたり4〜12秒 | 短尺コンテンツに最適、長編には不向き |
| オーディオ機能 | 空間ポジショニング、環境効果、感情に同期した音楽 | ポストプロダクションのオーディオ作業を大幅に削減 |
画質評価
ByteDance より
独立したレビュアーは、Seedance 1.5 Pro を実写と比較して7〜8/10と評価し、Kling 1.6 や Runway Gen-3 と比較して、改善された肌の質感とバンディングの低減を指摘しています。ただし、ネイティブの720p出力では細部の描写が限られます。テキストオーバーレイのエッジがソフトになり、カット間で露出のわずかな不整合が発生する可能性があります。
モデルは複雑な物理現象をうまく処理します。雪の粒子、高速モーションブラー、水のシミュレーションは説得力を持ってレンダリングされます。髪の毛や葉に過度なシャープネス処理のアーティファクトが発生することがありますが、「自然な照明」プロンプトで対処可能です。
Novita AI での Seedance 1.5 Pro の使用方法
API 統合のセットアップ
Novita AI は、Seedance 1.5 Pro（1.5 Pro の自社呼称）を 2 つの REST エンドポイント（Text-to-Video（T2V）と Image-to-Video（I2V））で公開しています。どちらも OpenAI 互換のリクエスト/レスポンスパターンに従い、非同期タスクポーリングを備えています。 T2V と I2V の使い分け、オーディオありとなしのモード、オンライン処理とフレックスバッチ処理の詳細については、Seedance V1.5 Pro API: Text-to-Video vs Image-to-Video, Audio, and Silent Modes を参照してください。
Text-to-Video の例
curl --location --request POST 'https://api.novita.ai/v3/async/seedance-v1.5-pro-t2v' \
--header "Content-Type: application/json" \
--header "Authorization: Bearer ${API_KEY}" \
--data-raw '{
"fps": 24,
"seed": 42,
"ratio": "16:9",
"prompt": "A colossal sci-fi mecha stands in the rain-soaked city nightscape, neon lights reflecting off its metallic armor. Slow motion captures every raindrop bouncing off the mecha's shoulder as it raises its arm cannon. Cinematic depth of field blurs the glowing skyscrapers behind. Anime style, dramatic lighting, 4K quality.",
"duration": 8,
"watermark": false,
"resolution": "720p",
"camera_fixed": false,
"service_tier": "default",
"generate_audio": true,
"execution_expires_after": 172800
}'
制御された出力のための Image-to-Video
I2V モードは開始と終了のキーフレームを受け入れ、キャラクターデザインの一貫性を正確に保つ場合に便利です。
curl --location --request POST 'https://api.novita.ai/v3/async/seedance-v1.5-pro-i2v' \
--header "Content-Type: application/json" \
--header "Authorization: Bearer ${API_KEY}" \
--data-raw '{
"fps": 24,
"seed": 42,
"image": "https://pub-32c83cde150f4d468bd19f0a5e372c23.r2.dev/multimodal-assets/2026-02/1771500580027-43159b2510134742.jpg",
"ratio": "adaptive",
"prompt": "A young woman dances energetically on a city street with graffiti walls and neon lights. The camera follows her fluid movements as she spins and grooves to the rhythm. Shot scale changes from medium to close-up, capturing her confident natural expression. Detail enhancement on her facial features and clothing textures. Smooth stabilization throughout the dance sequence with consistent neon lighting reflections.",
"duration": 4,
"watermark": false,
"resolution": "720p",
"camera_fixed": false,
"service_tier": "default",
"generate_audio": true,
"execution_expires_after": 172800
}'
Novita AI での Seedance 1.5 Pro の料金
Novita AI は、トークン単位ではなく、生成タスクごとに課金します。
Seedance 1.5 Pro · Text to Video (T2V)
| 解像度 | オーディオ | オンライン ($/秒) | バッチ ($/秒) |
|---|---|---|---|
| 480P | なし | $0.012 | $0.006 |
| 480P | あり | $0.024 | $0.012 |
| 720P | なし | $0.026 | $0.013 |
| 720P | あり | $0.052 | $0.026 |
Seedance 1.5 Pro · Image to Video (I2V)
| 解像度 | オーディオ | オンライン ($/秒) | バッチ ($/秒) |
|---|---|---|---|
| 480P | なし | $0.012 | $0.006 |
| 480P | あり | $0.024 | $0.012 |
| 720P | なし | $0.026 | $0.013 |
| 720P | あり | $0.052 | $0.026 |
コスト削減のヒント：
- プロトタイピングには 480p から始め（最速生成）、最終版を 720p で再生成します。
- 固定カメラ (
camera_fixed: true) を使用すると、静的ショットで問題ない場合、処理時間を約 30% 削減できます。- オンラインジョブはリアルタイムで処理され、即座に結果が返されます。一方、バッチジョブは大規模生成向けに非同期で実行され、コストが低くなります。
Seedance 1.5 Pro のプロンプト作成のベストプラクティス
最適な結果を得るための構造
Seedance 1.5 Pro は、視覚的なアクション、オーディオキュー、カメラ指示を分離した 明示的で階層化されたプロンプト で最適に機能します。
[キャラクターのアクション] + [言語を含む台詞] + [オーディオ環境] + [カメラの動き] + [照明/スタイル]
例：
「田舎のキッチンで年配の女性が生地をこねながら大笑いしている。
暖かい笑顔で四川語の方言で『これはおばあちゃんのレシピだよ！』と言う。
背景音：ぐつぐつ煮える鍋、木のスプーンが触れる音、優しいフォーク音楽。
手、そして顔に焦点を当てたスロードリーズーム。
窓から差し込む暖かい午後の日差し、浅い被写界深度。」
方言と感情のキーワード
多言語プロジェクトでは、正しい音素モデルをトリガーするために 方言を明示的に指定 します。
- 中国語方言： 「広東語の方言で」、「台湾華語を使用」、「上海語のアクセントで」
- 感情の強度： 「怒って叫んでいる」、「緊張してささやいている」、「自信を持って話している」
- 非言語オーディオ： 「大理石に響く足音」、「画面外でのガラスの割れる音」、「遠くの交通騒音」
避けるべきこと
レビュアーは、非常に複雑なアクションシーケンスでの苦戦を指摘しています。キャラクターは1〜2人に抑え、同時動作を制限してください。以下のようなプロンプトは避けてください。
- 「5人のキャラクターがグループディスカッションをしている」（モデルは最大2〜3人の話者をうまく処理）
- 「キャラクターが走り、ジャンプし、そして戦う」（10秒にあまりに多くの連続アクション）
- 「爆発を伴う壮大なバトルシーン」（アクションに最適化されておらず、会話やドラマに適している）
Seedance 1.5 Pro のよくある落とし穴と解決策
問題：カット間の露出の変化
原因： ネイティブの720p生成では、シーン遷移時に明るさの不整合が発生することがあります。
修正： プロンプトに「シーン全体で一貫した照明」を追加するか、Lumetri Color/カラーホイールを使用してポストで露出を正規化します。
問題：テキストオーバーレイがぼやける
原因： 720pのネイティブ解像度では、テキストのエッジがシャープに保持されません。
修正： 画面上のテキストなしでビデオを生成し、After Effects や Motion を使用してポストで高解像度のタイトルやグラフィックを追加します。
問題：複数話者シーンでのオーディオのずれ
原因： 複雑な重なり合う台詞は、100〜200ms のずれを引き起こすことがあります。
修正： クリップあたりの話者を2人に制限します。グループでの会話の場合は、個別のショット/リバースショットのクリップを生成し、編集でつなぎ合わせます。
問題：カメラカスタマイズの制限
原因： モデルはカメラ指示を解釈しますが、正確な焦点距離や F 値は受け付けません。
修正： 技術的な仕様の代わりに、「浅い被写界深度」や「広角視点」などの説明的な用語を使用します。
Novita AI の Seedance 1.5 Pro は、対話重視の短尺コンテンツ向けに、プロダクションレディな視聴覚生成を提供します。 音素レベルのリップシンク精度と OpenAI 互換の REST API により、ローカライズされた広告、マイクロドラマ、ミュージックビデオのプロトタイプを構築する開発者にとって、スクリプトからレンダリングビデオへの高速なパスを実現します。
よくある質問
Seedance 1.5 Pro はプロンプト内の著作権で保護された音楽をどのように処理しますか？
モデルは、感情的な説明（「アップビートなジャズ」、「メランコリックなピアノ」）にマッチするオリジナル音楽を生成します。著作権で保護された曲を再現することはありません。既存のトラックをプロンプトに入力しようとすると、一般的な解釈が生成されます。
プロフェッショナルなマスタリングのために、オーディオトラックとビデオトラックを個別にエクスポートできますか？
はい。出力される MP4 には標準のオーディオトラックが含まれており、FFmpeg で抽出できます：ffmpeg -i output.mp4 -vn -acodec pcm_s16le audio.wav でロスレスオーディオをエクスポートできます。
Seedance 1.5 Pro はライブアプリケーション向けのリアルタイム生成をサポートしていますか？
いいえ。生成にはクリップあたり約30〜60秒かかります。レイテンシが重要なワークフローの場合は、Webhook コールバック付きの Batch エンドポイントを使用して非同期で結果を受信するか、クリップのライブラリを事前に生成しておき、リアルタイムで生成するのではなくオンデマンドで提供することを検討してください。
Novita AI は、開発者やスタートアップが高性能、高信頼性、コスト効率に優れた AI およびエージェントアプリケーションを構築、デプロイ、スケーリングするための AI & エージェントクラウドプラットフォームです。
