一枚の静止画から一曲へ：Seedream 5.0 ProとSeedance 2.0で感情的なMVを制作する

その歌手は存在しない。その歌はあなたの言語ではない。それでもあなたは感じる。

それが、2026年7月19日にクリエイターCia0がXで共有したクリップの下の反応だ。歌っているキャラクターの15秒間。「一言も理解できなくても感じられる歌」と銘打たれている。キャプションには、全体のスタックが一行で書かれている。画像はSeedream 5.0 Pro、動画はSeedance 2.0、実行環境はCapCut。それを売りにしているのはディテールの仕事だ。唇がボーカルを追う。髪が髪らしく動く。顔がポーズではなく感情を保持している。

このガイドでは、そのパイプラインをステップごとに再構築する。どのモデルが何をするのか、画像から動画への引き継ぎで感情を運ぶプロンプト、そして完成したMVの実際のコスト。

重要ポイント

• ワークフローは画像ファースト。Seedream 5.0 Proでキーフレームをアートディレクションするのに0.045ドル。ルックが確定してから動画の料金を支払う。静止画で顔を修正するコストは、クリップを再生成する場合の約20分の1。
• Seedance 2.0の画像から動画への変換は、最初のフレームとオプションの最後のフレームを受け取り、1回の実行で4～15秒、ネイティブオーディオ付きで生成し、最後のフレームを返すことができるため、次のクリップがショットを継続できる。
• キャラクターを自分のトラックにリップシンクさせるには、reference-to-videoエンドポイントを使用。最大9枚の画像、3本の動画、3つのオーディオクリップを参照として、プロンプトで@メンションを使用。
• 40秒、720pの縦型MVは、2026年7月の割引料金で約10ドル。サウンドトラックは唯一別途カウントされないコスト。

模倣する価値のあるSeedream + Seedance MV

2日間で3つの投稿、それ以前のリップシンクテストにより、このペアリングがカバーする領域の全体像が描かれている。どれもラボのデモではない。それぞれが使用ツールを明記している。

4つすべてに共通することが2つある。1つ目は、画像モデルと動画モデルが別々のジョブとして扱われていること。キャスティングはSeedreamで、パフォーマンスはSeedanceで行われる。2つ目は、動画モデルはスタックの真ん中に過ぎないこと。すべてのキャプションが、その周囲にあるものを明記している。実行されたアプリ、サウンドトラックのソース、編集用のエディタ。両方のCia0の投稿は、返信で「中国語の」プロンプトを約束しており、日本語の投稿はキャプション自体で4つのツールの組み立てラインを説明している。

Seedreamファーストのワークフローが純粋なテキストから動画に勝る理由

Seedance 2.0には十分に良いテキストから動画へのモードがある。上記のクリップを作っている人たちはそれをスキップしている。その理由は計算と制御の両方にある。

Atlas Cloudでは、Seedream 5.0 Proの静止画は0.045ドル。5秒、720pのSeedance 2.0クリップは、現在の割引で約0.97ドル。静止画の段階でキャッチした間違った顔、間違った服装、間違ったフレーミングは、1枚の静止画で修正できる。動画の段階でキャッチしたものは、約20倍の価格で完全な再生成が必要で、待ち時間も発生する。

一貫性のポイントは、MVにとって最も重要だ。ミュージックビデオは同じ顔を8回か10回繰り返す。テキストから動画への変換は、生成のたびにキャラクターを再発明する。キーフレームパイプラインは、2つの方法でアイデンティティを保持する。承認済みの静止画を各クリップの最初のフレームとして再利用するか、同じ参照画像をすべての生成にフィードする。アートディレクションは一度行い、すでに気に入った決定をアニメーション化するために動画の予算を使う。

Atlas CloudでSeedream + Seedanceワークフローを実行する

パイプラインの両方の半分は一か所で実行できる。Atlas Cloudは完全なByteDanceモデルファミリーをホストしているため、Seedream 5.0 Pro（2026年7月8日からパブリックAPI）とSeedance 2.0（2026年2月12日ローンチ）は同じアカウント、同じクレジット、同じAPI形状の背後にある。作業方法は2つある。プレイグラウンドをクリックして操作するか、コードでエンドポイントを連鎖させる。

方法1：プレイグラウンドでMVショットを生成する

ステップ1：Seedreamでキャラクターをキャスティングする。 Seedream 5.0 Proプレイグラウンドを開き、キーフレームプロンプトを書く（完全なレシピは2セクション下にあります）。アスペクト比を今のうちに配信フォーマットに合わせる。ShortsやTikTokなら9:16、YouTubeなら16:9。各実行は1枚の画像を0.045ドルで返すので、顔、衣装、照明が正確に決まるまで反復する。

ステップ2：静止画をSeedanceにロードする。 Seedance 2.0画像から動画プレイグラウンドを開く。フォームには1つの必須画像、承認済みのキーフレーム、およびオプションの最後のフレーム画像（ショットを特定の構図で終了させたい場合）が必要。

ステップ3：モーションプロンプトを書き、クリップを設定する。 長さは4～15秒、またはAuto（モデルに選択させる）。キーフレームに合わせて比率を選択するか、Autoのままにする。解像度のデフォルトは720p。

ステップ4：3つのトグルを確認する。 「オーディオを生成」はクリップにネイティブサウンドを与える。「ウォーターマーク」はクリーンマスターのためにオフのままにする。「最後のフレームを返す」は、閉じるフレームを別の画像として渡す。それを次の生成の最初のフレームとしてフィードバックすると、新しいクリップは前のクリップが止まったところから続く。このトグルが、4つの断片的なクリップと1つの連続したパフォーマンスの違いを生む。

ステップ5：価格を確認し、実行する。 実行ボタンは、コミットする前に正確な設定のコストを表示する。2026年7月21日現在、5秒の720pクリップは、プラットフォームの期間限定20%割引が適用され、約0.97ドル（リスト価格は約1.21ドル）となる。

方法2：1つのAPIでSeedreamとSeedanceを連鎖させる

ステップ1：APIキーを取得する。 Atlas Cloudコンソールでキーを作成し、環境変数としてエクスポートする。クライアントコード内に保持しない。

ステップ2：APIドキュメントを確認する。 エンドポイント、パラメータ、ポーリング動作はAPIドキュメントに記載されている。パイプライン全体は、2つのサブミット＆ポーリングサイクルである。

ステップ3：2つの呼び出しを行う。 最初にキーフレーム：

plaintextCopy
1curl -X POST https://api.atlascloud.ai/api/v1/model/generateImage \
2  -H "Content-Type: application/json" \
3  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
4  -d '{
5    "model": "bytedance/seedream-v5.0-pro/text-to-image",
6    "prompt": "<your keyframe prompt>",
7    "size": "1152*2048"
8  }'

ジョブが完了するまでGET /api/v1/model/prediction/をポーリングし、出力からホストされている画像URLを取得し、それを直接動画呼び出しに渡す：

plaintextCopy
1curl -X POST https://api.atlascloud.ai/api/v1/model/generateVideo \
2  -H "Content-Type: application/json" \
3  -H "Authorization: Bearer $ATLASCLOUD_API_KEY" \
4  -d '{
5    "model": "bytedance/seedance-2.0/image-to-video",
6    "prompt": "<motion and performance prompt>",
7    "image": "<Seedream output URL>",
8    "duration": 10,
9    "resolution": "720p",
10    "ratio": "adaptive",
11    "generate_audio": true,
12    "return_last_frame": true
13  }'

imageはURL、Base64、またはアセット参照を受け取り、durationは-1を受け付けてモデルに選択させる。watermarkのデフォルトはfalse。return_last_frameが設定されている場合、完了した予測には最終フレームが画像として含まれるため、スクリプトはループできる。クリップを生成し、最後のフレームを取得し、次のクリップを送信する。このループが、約30行のコードでMVパイプライン全体となる。

両方の呼び出しは同じベースURL、同じベアラーヘッダー、同じ予測ポーリングを使用する。これがワンAPIデザインの実用的な利点です。Seedream統合とSeedance統合は、モデル文字列といくつかのフィールドだけが異なり、次のByteDanceリリースも同じコードにスロットインされる。

MVキーフレームのためのSeedream 5.0 Proプロンプトレシピ

MVキーフレームはキャスティングの決定であるため、プロンプトの最初の仕事は、再度呼び出せる人物を定義することである。作業パターンはキャラクターブロックである。1文、40～60語で、顔、髪、衣装を固定する。プロジェクトのすべてのキーフレームプロンプトでそのまま再利用される。単語を変えると、見知らぬ人をキャスティングするリスクがある。

以下はそのパターンでの完全なキーフレームプロンプトです：

腰まである黒い髪、柔らかく丸みを帯びた特徴、銀のドロップイヤリングを身に着け、オーバーサイズのクリーム色のニットセーターを着た若い女性。彼女は夕暮れの雨に濡れた屋上に一人で立ち、肩から上、目の高さでフレームに収まっている。瞳は潤み、唇は歌おうとしてわずかに開き、視線はカメラのすぐ横を向いている。背後には冷たい青い街の輝き、頬に暖かいリムライト一つ、浅い被写界深度、シネマティックなフィルムスチル、柔らかい粒子、9:16。

最初の文がキャラクターブロックです。それ以降はすべてショットごとに変わります。MVには1枚の画像ではなく、小さなカバレッジセットが必要です：

Seedream固有の注意点が2つ。感情はラベルではなく物理的な証拠として書く：「瞳が潤み、顎が緊張し、息を止めている」は後でアニメーション化されるが、「悲しい」は決まりきった表情に平らになる。そして、アスペクト比は散文だけでなくサイズピッカーでも設定する。パラメータが優先されるため。より深いプロンプトの解剖学、除外パターンやモデルの既知のバグを含む、当社のプロンプトガイドを参照。

リップシンク、物理演算、感情のためのSeedance 2.0プロンプト

キーフレームは、アニメーション化する価値のある顔をSeedance 2.0に渡す。モーションプロンプトは、クリップがパフォーマンスするか、単に動くだけかを決定する。Seedance 2.0はネイティブでデュアルチャンネルオーディオを生成し、ByteDanceのローンチ投稿によると、8以上の言語で音素レベルでリップシンクする。そのため、プロンプトの仕事は、何が誰によって実行され、カメラがそれをどのように扱うかを伝えることである。

歌うキャラクターにたどり着く方法は2つある。

ルートA、生成された歌： 画像から動画のままにし、「オーディオを生成」をオンにし、プロンプトでボーカルを説明する。モデルが音楽を考案し、独自のトラックに合わせて唇を同期させる。これがCia0スタイルのパフォーマンスクリップへの最速の道である。

ルートB、自分のトラック： reference-to-videoに切り替える。これは実行ごとに最大9枚の参照画像、3本の動画、3つのオーディオクリップを受け付ける。曲のセクションをオーディオ参照としてアップロードし、キーフレームを画像参照として追加し、プロンプトで@メンションしてキャラクターをアクションにバインドする。これがCurious Refugeが5月に検証したマルチスピーカーリップシンクのレシピである：「参照画像」、「黒く塗りつぶされた動画とオーディオ、またはオーディオファイル」、および「プロンプト（カメラモーション＋VO/会話）」。アップロード前にオーディオをクリップの長さにトリミングする。請求されるトークンは入力時間と出力時間の両方をカウントするため、パディングは実際のコストがかかる。

パフォーマンスをスクリーンセーバーから区別する手がかり：

15秒より長いものはチェーンジョブである。セットアップセクションの最後のフレームを返すトリックを使い、新しいプロンプトごとに曲の次の行を含める。Seedreamプロンプトからのキャラクターブロックのフレージングをモーションプロンプト内にも保持する。冗長性はアイデンティティのための安価な保険である。

Seedanceクリップから完成したMVへ：編集と予算

日本語の「目薬ワープ」の投稿は、仕上げ段階の最も明確な絵を提供している。なぜなら、クリエイターはキャプションで組み立てライン全体をリストしているからだ。Seedreamが静止画、Seedance 2.0がモーション、Mureka V9がサウンドトラック、そして無料のデスクトップエディタOpenShotがカットを担当。Cia0のクリップは代わりにCapCutをその場として挙げている。どのエディタを選んでも、カットは同じ仕事である。最初に完全なトラックを配置し、ビートに合わせてクリップをトリミングし、最初から最後まで1つのアスペクト比を維持する。

そのCapCutルートに関する注意点。CapCut内部では、Seedance 2.0はDreamina Seedance 2.0として実行され、2026年4月7日から米国で利用可能であり、CapCutの独自の発表によると、実際の顔を含む画像からの動画生成をブロックすること、出力に可視のウォーターマークを含むことなどの制限が付属している。ミームには良いが、クリーンなMVマスターには制限がある。APIとプレイグラウンドのルートは、デフォルトでウォーターマークをオフにし、生成した任意のキーフレームを受け取る。

2026年7月のAtlas Cloudの割引料金での全体のコスト：

ドラフトラインは、人々がスキップしてはならないものだ。Seedance 2.0 Miniは、同じ最初のフレーム＋プロンプトのワークフローを1秒あたり0.045ドル（リスト0.056ドル）で実行し、フラッグシップの720pレートの約4分の1のコストであるため、ブロッキング、カメラの動き、物理演算は最終レンダリングの前に安価にデバッグされる。割引がない場合、同じ予算はリスト価格で約12.40ドルとなり、それでもほとんどのストックフッテージサブスクリプションが1か月に請求する額よりも少ない。

よくある質問

Seedance 2.0は自分の曲に合わせてキャラクターをリップシンクできますか？

はい。reference-to-videoエンドポイントを使用します。これは生成ごとに最大3つのオーディオクリップを9枚の画像と3本の動画と一緒に受け付けます。曲のセクションをオーディオ参照としてアップロードし、Seedreamキーフレームを画像参照として追加し、プロンプトで@メンションし、パフォーマンスとカメラを説明します。最初にオーディオをクリップの長さにトリミングします。請求されるトークンは入力時間と出力時間の両方をカウントするためです。

SeedreamとSeedanceのプロンプトは中国語でなければなりませんか？

いいえ。Cia0は中国語でプロンプトを共有しており、ByteDanceモデルをめぐる中国語のプロンプト文化は強いですが、両方のモデルは英語のプロンプトを受け付け、Seedance 2.0のリップシンクは8以上の言語で音素レベルで機能します。重要なのは、プロンプトでボーカルの言語を指定して、口の形がトラックに合うようにすることです。

1回のSeedance 2.0生成の最大長はどのくらいですか？

1回の実行で4～15秒、そのウィンドウ内でマルチショットシーケンスがサポートされるか、durationを-1に設定するとモデルが選択します。フルMVの場合は、生成をチェーンします。「最後のフレームを返す」を有効にし、前のクリップの終了フレームから次のクリップを開始して、パフォーマンスが連続するようにします。

私のMVクリップにウォーターマークは付きますか？

APIまたはプレイグラウンドではデフォルトでは付きません。watermarkパラメータはデフォルトでfalseであり、マスターはクリーンに出力されます。CapCutのコンシューマーバージョンは異なります。Dreamina Seedance 2.0は可視のウォーターマークを適用し、実際の顔を含む画像からの生成をブロックします。これは2026年に再リリースされたガードレールパッケージの一部です。

完全なSeedream + Seedance MVのコストはいくらですか？

2026年7月の割引料金で、40秒の720p縦型動画で約10ドル。キーフレームに0.45ドル、Miniドラフトに1.80ドル、最終720pクリップに約7.74ドル、編集はCapCutまたはOpenShotで無料。リスト価格では同じランで約12.40ドルです。キーフレームステージがその数字を低く抑えています。ルックの決定が、1回の再生成あたり約0.97ドルではなく、0.045ドルで行われるためです。

結論

今月話題になっているクリップは、秘密の機能の成果ではない。それらは作業の分割である。Seedream 5.0 Proが画面上の人物とフレームの雰囲気を決定し、Seedance 2.0が動きと音を決定し、無料のエディタがクリップを顔のある歌に変える。すべてのステップは検査可能であり、すべての間違いは最も安価な場所でキャッチされる。

作業の順序を盗め。キャラクターブロックを固定し、0.045ドルで間違いを購入し、すでに承認したものだけをアニメーション化し、1つのクリップの最後のフレームが次のクリップを開くようにする。ツールは新しい。規律はただの映画製作である。