Seedance 1.5 Pro 徹底レビュー

字节跳动·火山引擎 · 中国 · 2025-12リリース — スペック・編集部評価・価格・評判・実際の生成事例を掲載。随時更新。

基本スペック

開発元	字节跳动·火山引擎
国・地域	中国
リリース	2025-12
生成タイプ	文生视频+图生视频(音视频联合生成)
1クリップの尺	10-12秒(平台档位不同)
解像度	1080p
ネイティブ音声	原生音画同生:环境音/动作音/人声/背景音乐
リップシンク	支持多语种与中文方言口型
アスペクト比	16:9 / 9:16 / 1:1
価格（参考）	API按视频token折算(宽×高×帧率×时长),有声与无声折算系数不同;即梦/豆包侧走会员积分,具体档位以官方价目为准
API	✅ あり✅ PixTV
無料枠	即梦、豆包每日免费积分

編集部評価

画質

指示追従

モーション

一貫性

コスパ

👍 強み

音画同生是它的主线能力,环境音、动作音、人声和背景音乐跟画面一起出,省掉后期配音配乐这一步
多语种和中文方言的口型贴合度在同期国产模型里少见,对白镜头不必再靠后期对轨
运镜指令执行扎实,推拉摇移、跟拍、希区柯克变焦这类有难度的写法它听得懂
四到八秒的单镜头出片又快又稳,做情绪片段和素材切片的试错成本很低

👎 弱み

单段时长封顶在十秒出头,完整叙事必须拆镜头再拼
分辨率停在1080p,想要2K得往上一代跳
复杂多镜头脚本的执行力不如后来的2.5,时间轴式长提示词偶尔会漏掉中间那一镜

「音声も一緒に生成する」バージョン、それがこれです

Seedanceのシリーズにおいて、1.5 Proは転換点にあたります。画質が急に上がったわけではなく、この世代から映像と音声が同時に生成されるようになったのです。環境音、足音や物がぶつかる音といった動作音、人物のセリフ、BGM——これらすべてが一度の生成の中で出力され、後から付け足すものではなくなりました。

この違いはスペック表よりもワークフローの中でこそ際立ちます。従来のやり方では、まず映像を出力してから音声や音楽を後付けで合わせる必要があり、10秒の動画でも後編集に30分かかることがありました。1.5 Proに切り替えれば、雨音の大きさ、木の床を踏んだときの質感、人物がどのセリフのところで息継ぎをするか——こうした情報をすべてプロンプトの中で一度に指定できます。多言語や中国語方言のリップシンクについても専用のチューニングが施されており、近景のセリフありカットでも、口は動いているのに音と合っていないという安っぽさがなくなりました。

そのため、このモデルを評価するときは尺や解像度といった数字だけを見てはいけません。実際に置き換えられたのは前世代のモデルではなく、あなたのワークフローの中にある「音入れ」という工程そのものです。

本当の得意分野は4秒のワンカット

興味深いことに、サイト内で1.5 Proを使って作られた事例のほとんどは、4秒の単一カットです。ホラー映画の冒頭、スーパーの精肉コーナーの赤い照明、スローモーションなしのボクシングの一撃、少年が薄暗い寝室に入っていくシーン——これは偶然ではなく、まさにこのモデルが最も得意とする形なのです。1カット、1つの感情、1つの現場音。

理由は難しくありません。1本あたりの尺の上限が10秒台前半なので、無理に一連のカット割りを詰め込むと、途中のどこかのカットで質が落ちてしまいます。しかし1カット分の情報量だけを与えれば、映像は安定し、音声も正確で、カメラワークの指示にも忠実に応え、4秒でもかなり作り込まれた仕上がりになります。ショートドラマを制作するチームの実際の使い方は、多くの場合これをカット生成ツールとして扱うというものです。1カットずつ出力し、編集ソフトでつなぎ合わせる。音声がネイティブで付いている分、映像だけの素材よりもつなぎ合わせがかえって楽になります。

逆に言えば、「1つのプロンプトで完結した作品を丸ごと出力してほしい」というニーズであれば、これは適した選択ではありません。その仕事は、尺がより長く、マルチカットへの理解力がより高い後継バージョンに任せるべきです。

音声と映像を同時に生成する力を引き出すプロンプトの書き方

多くの人は1.5 Proを使うときも、純粋な映像モデルと同じ書き方でプロンプトを作ってしまいます。映像のことしか描写しないと、音声の部分はモデル任せになり、出来上がったものは聴くに堪えないわけではないものの、どこかしっくりきません。このモデルの力を引き出すには、プロンプトの中に音声専用のパートを分けて用意する必要があります。

実際に使える書き方は、音のトラックを3つの層に分けて記述することです。環境層(雨音、街の雑踏、エアコンの低音)、動作層(足音、ドアを開ける音、コップをテーブルに置く音)、セリフ層(何を言うか、どんな口調か、間や息継ぎがあるかどうか)。例えばカフェの4秒のカットを作るなら、次のようになります。

「夕暮れのカフェ、窓際の席。カメラはゆっくりと寄っていく。環境音は窓の外の雨音と隣席のひそひそ話だけを残す。彼女はカップをソーサーに戻し、澄んだ音を立てる。彼女は小声で『あと十分だけ待って』と言う。口調は疲れているが怒ってはおらず、言い終えたあとに自然な息継ぎが一度入る。」

重要なのは、「切ない感じのBGMを入れて」といった漠然とした一文を書かないことです。このモデルが得意とするのは映像とタイミングが合った実際の音であり、音が発生するタイミングと発生源をはっきり書くことで初めて映像と噛み合います。漠然とした感情的な音楽の指定は、かえって現場音をかき消してしまい、このモデル最大の強みを無駄にしてしまいます。セリフのあるカットにはもう一つ身につけておきたい習慣があります。台詞は短く書くことです。4秒であれば一言で十分で、長く書くとモデルは早口になるか、リップシンクで無理が出てしまいます。

今でも使う価値はあるのか

後継バージョンに完全に取って代わられていないのは、同じことでもシーンによって損得の計算が変わるからです。完結したストーリーの短編を作るなら、尺とマルチカットへの理解力は譲れない条件であり、当然上位バージョンを選ぶべきです。しかし1日に何十本も音声付きの短いカットを出す仕事——ショートドラマの素材、ナレーション動画の切り出し、広告の単一商品カットなど——であれば、1.5 Proと解像度の差はほとんど肉眼では分からず、1本あたりのコストは一段安く抑えられます。

見落とされがちな隠れた強みもあります。出力の予測可能性が高いことです。4秒の単一カットはタスクの複雑度が低く、やり直し率も低くなります。本数課金の量産型ワークフローにとっては、これは画質の上限よりも重要な要素です。

一言でアドバイスするなら、自分が作っているのが「カット」なのか「作品」なのかを先にはっきりさせることです。カットを作るなら、今でもコストパフォーマンスに優れた選択肢です。作品を作るなら、このモデルに時間をかけるべきではありません。つなぎ合わせにかかる時間コストが、最終的に節約できたはずのコストを食いつぶしてしまいます。