Novita AI上のSeedance 1.5 Proは、ByteDanceの高度な視聴覚AIを開発者に大規模提供します。 この45億パラメータモデルは、8言語対応の音素レベルのリップシンク精度、ネイティブな映像制御表現、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、従来は高額なポストプロダクションチームを必要としていました。
会話駆動型の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、解像度（480p/720p）とアスペクト比を設定可能にして提供されます。以下では、これが本番ワークフローにどのような意味を持つのかを解説します。
Seedance 1.5 Proの特長
ネイティブな統合型視聴覚生成
従来のビデオ→オーディオの逐次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採用し、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。クロスモーダル結合モジュールが視覚と音声のミリ秒レベルのアライメントを維持し、従来のモデルで問題となっていたリップシンクのずれを解決します。
このアーキテクチャは3つの重要な利点をもたらします：音素精度の高い口の動き（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）、感情の一貫性（音楽の強度が映像のテンポに一致する）。会話が多いアプリケーションでは、手動で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、中国の地域方言（四川語、台湾華語、広東語、上海語）に加え、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、ヒンディー語を含む8言語に対応します。各方言は、リップシンク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。
映像制御のための自然言語語彙
開発者はカメラの動きを自然言語で指定できます：「被写体の感情のピークでドリージーム」「カーチェイスを追うトラッキングショット」「話者間のウィップパン」。モデルはこれらの指示を、正しい物理法則に従った滑らか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） | 4Kワークフローには外部アップスケーリングが必要 |
| 生成時間範囲 | 1クリップあたり4～12秒 | ショートフォームコンテンツに最適、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、感情同期音楽 | ポストプロダクションでのオーディオ作業を大幅に削減 |
画質評価
独立したレビュアーはSeedance 1.5 Proの画質を実写と比較して7～8/10と評価し、Kling 1.6やRunway Gen-3と比べて肌の質感が向上し、バンディングが減少していると指摘しています。ただし、ネイティブ720p出力では細部の精細さに限界があり、テキストオーバーレイのエッジが甘くなったり、カット間で露出のわずかな不整合が生じることがあります。
このモデルは複雑な物理演算をうまく処理します：雪の粒子、高速移動によるモーションブラー、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。髪の毛や葉にハイパーシャープ化のアーティファクトが時々発生しますが、「自然な照明」というプロンプトで対処可能です。
Novita AIでSeedance 1.5 Proを使用する
APIインテグレーション設定
Novita AIはSeedance 1.5 Pro（1.5 Proの名称）を2つのRESTエンドポイントで公開しています：Text-to-Video（T2V）とImage-to-Video（I2V）。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使用します。
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
}'
Image-to-Videoで出力を制御する
I2Vモードでは開始キーフレームと終了キーフレームを受け付け、キャラクターデザインの一貫性を保つのに便利です：
curl --location --request POST 'https://api.novita.ai/v3/async/seedance-v1.5-pro-i2v' \
--header "Content-Type: application/json" \
--header "Authorization: Bearer ${API_KEY}" \
--data-raw '{
"fps": 24,
"seed": 42,
"image": "https://pub-32c83cde150f4d468bd19f0a5e372c23.r2.dev/multimodal-assets/2026-02/1771500580027-43159b2510134742.jpg",
"ratio": "adaptive",
"prompt": "A young woman dances energetically on a city street with graffiti walls and neon lights. The camera follows her fluid movements as she spins and grooves to the rhythm. Shot scale changes from medium to close-up, capturing her confident natural expression. Detail enhancement on her facial features and clothing textures. Smooth stabilization throughout the dance sequence with consistent neon lighting reflections.",
"duration": 4,
"watermark": false,
"resolution": "720p",
"camera_fixed": false,
"service_tier": "default",
"generate_audio": true,
"execution_expires_after": 172800
}'
Novita AIでのSeedance 1.5 Proのコスト
Novita AIはトークン単位ではなく、生成タスクごとに課金します。
Seedance 1.5 Pro · Text to Video（T2V）
| 解像度 | オーディオ | オンライン（$/秒） | バッチ（$/秒） |
|---|---|---|---|
| 480P | 無音 | $0.012 | $0.006 |
| 480P | あり | $0.024 | $0.012 |
| 720P | 無音 | $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 | 無音 | $0.012 | $0.006 |
| 480P | あり | $0.024 | $0.012 |
| 720P | 無音 | $0.026 | $0.013 |
| 720P | あり | $0.052 | $0.026 |
コスト削減のヒント：
- プロトタイピングでは480pから始め（最も速い生成）、最終版のみ720pで再生成する。
- 固定カメラ（
camera_fixed: true）を使用して、静的ショットで問題ない場合は処理時間を約30%削減する。- オンラインジョブはリアルタイムで処理され結果が即座に返されますが、バッチジョブは大規模生成向けに非同期で実行され、低コストで利用できます。
Seedance 1.5 Proのプロンプトエンジニアリング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は明示的で階層的なプロンプトで最適に動作します。プロンプトでは視覚的なアクション、オーディオの手がかり、カメラ指示を分離します：
[キャラクターの行動] + [言語指定付きの台詞] + [音響環境] + [カメラワーク] + [照明/スタイル]
例：
"田舎のキッチンで生地をこねながら、老婦人が心から笑う。
暖かい笑顔で四川方言の台詞「これは祖母のレシピよ！」と言う。
背景音：ぐつぐつ煮える鍋、木のスプーンの触れ合う音、柔らかなフォーク音楽。
手にフォーカスし、顔へとスロードリージーム。
窓からの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、方言を明示的に指定して正しい音素モデルをトリガーします：
- 中国方言：「広東語で」「台湾華語を使って」「上海語のアクセントで」
- 感情の強度：「怒って叫ぶ」「緊張してささやく」「自信を持って話す」
- 非言語オーディオ：「大理石に響く足音」「画面外でのグラスの割れる音」「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苦戦することを指摘しています。1〜2人のキャラクターに抑え、同時の動きを制限してください。次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する」（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、戦う」（10秒では順次アクションが多すぎる）
- 「爆発のある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/ドラマ向き）
Seedance 1.5 Proのよくある問題と解決策
問題：カット間での露出の変化
原因： ネイティブ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ネイティブ解像度では、シャープなテキストエッジが維持されません。
修正： 画面上のテキストなしで動画を生成し、After EffectsやMotionを使用して高解像度でタイトル/グラフィックを後から追加します。
問題：多人数シーンでのオーディオずれ
原因： 複雑な重なり合う台詞が、時々100～200msの同期ずれを引き起こすことがあります。
修正： 1クリップあたり話者は最大2人に制限します。グループ会話の場合は、別々のショット/リバースショットクリップを生成して編集で繋ぎます。
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値を直接受け付けません。
修正： 技術的な指定の代わりに「浅い被写界深度」「広角パースペクティブ」などの説明的な用語を使用します。
Novita AI上のSeedance 1.5 Proは、会話中心のショートフォームコンテンツ向けに本番品質の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、スクリプトからレンダリング動画への高速パスを実現します。これはローカライズ広告、マイクロドラマ、ミュージックビデオプロトタイプを構築する開発者にとって最適です。
よくある質問
Seedance 1.5 Proはプロンプト内の著作権音楽をどのように処理しますか？
モデルは感情的な説明（「陽気なジャズ」「哀愁漂うピアノ」）に一致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なく、既存の曲をプロンプトしようとすると、一般的な解釈を生成します。
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とビデオのトラックを別々にエクスポートできますか？
はい。出力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に対応していますか？
いいえ。1クリップあたりの生成には約30〜60秒かかります。レイテンシが重要なワークフローでは、バッチエンドポイントとWebhookコールバックを使用して結果を非同期に受け取るか、事前にクリップライブラリを生成しておき、リアルタイム生成ではなくオンデマンドでクリップを提供してください。
Novita AIは、開発者やスタートアップが高性能、信頼性、コスト効率でモデルやエージェントアプリケーションを構築、デプロイ、スケールできるAI & エージェントクラウドプラットフォームです。
