Seedance 1.5 Pro 徹底レビュー

バイトダンス・Volcano Engine · 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	バイトダンス・Volcano Engine
国・地域	中国
リリース	2025-12
生成タイプ	テキストから動画+画像から動画(映像と音声を同時に生成)
1クリップの尺	10~12秒(プラットフォームの料金帯により異なる)
解像度	1080p
ネイティブ音声	映像と音声をネイティブに同時生成:環境音/動作音/セリフ/BGM
リップシンク	多言語および中国語方言のリップシンクに対応
アスペクト比	16:9 / 9:16 / 1:1
価格（参考）	APIは動画トークン換算(幅×高さ×フレームレート×尺)で課金され、音声ありとなしでは換算係数が異なります。Jimeng(即夢)/Doubao側は会員クレジット制で、最新の料金は公式ページをご確認ください
API	✅ あり✅ PixPix
無料枠	Jimeng(即夢)、Doubaoともに1日ごとの無料クレジットあり

編集部評価

画質

指示追従

モーション

一貫性

コスパ

👍 強み

映像と音声を同時に生成することが最大の強みで、環境音・動作音・セリフ・BGMが映像と一緒に出力されるため、後編集での音入れや音楽づけの工程が不要になります
多言語や中国語方言でのリップシンクの精度は同時期の中国産モデルの中でも際立っており、セリフのあるカットでも後編集での口の動きの調整が要りません
カメラワークの指示への忠実度が高く、ズームイン・ズームアウトやパン、追従撮影、ヒッチコック・ズームのような難度の高い書き方も理解します
4~8秒の単一カットであれば生成が速く安定しており、感情表現のワンシーンや素材の切り出しを試行錯誤するコストが低く済みます

👎 弱み

1本あたりの尺の上限が10秒台前半にとどまるため、完結したストーリーを作るにはカットを分けてつなぎ合わせる必要があります
解像度は1080p止まりで、2Kが必要な場合は上位世代のモデルに乗り換える必要があります
複雑なマルチカット構成の脚本への対応力は後継のSeedance 2.5に及ばず、タイムライン形式の長いプロンプトでは途中のカットが抜け落ちることがあります

「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。

ユーザーの評判

クリエイターからの評価は、音入れの工程を省けるという点に集中しています。環境音とリップシンクの精度は、リリース時に最も評価されたポイントでした。一方で不満の声は尺と解像度に集まっており、10秒台前半という1本あたりの長さは、完結した作品を作るツールというよりカット生成ツールに近い印象を与えます。完結したストーリーを作りたい場合は、結局カットをつなぎ合わせる必要があります。サイト内で実際に使われた事例のほとんどが4秒の単一カットであることも、この使い方を裏付けています。