Seedance 2.0 プロンプト実践ガイド：「形容」ではなく「演出指示」を書く

Seedance 2.0 を触った人の多くが、同じ体験をします。「男が街を走っている、映画のような映像」と一行だけ書くと、結果はほぼガチャ。何度も生成し直してようやく一本使えるものが出る。ところが、一発でほぼ完成品に近い映像を出す人もいる。この差は運ではなく、モデルが何を読んでいるかを理解しているかどうかの差です。

Seedance 2.0 はテキスト・画像・動画・音声を同時に読み込み、内部でそれらを二つの次元に分解して理解します。空間レイヤー（画面に何が映っているか）と時間レイヤー（物事が時間とともにどう変化するか）です。つまりこのモデルは、雰囲気の言葉に反応するコピーライティングアシスタントではなく、作業指示書を待っているマルチモーダルな映画監督。良いプロンプトは詩ではなく演出指示書です——誰が、どこで、何をして、カメラはどう動き、どの順序で起こるのか。

この記事では、数え切れない生成の試行錯誤の中で検証してきた方法を、5つのルールとトラブルシューティング表に凝縮しました。読み終える頃には、無駄な再生成がぐっと減るはずです。

まず、正しい「タスク動詞」を選ぶ

参考素材（画像・動画・音声）を使って生成する場合、まず自分がどのタスクをしているのかを決めましょう。文の書き方そのものが、モデルの解釈を決定づけます。

ここでほぼ全員が踏む罠がひとつ。編集・延長タスクでは「動画1」と直接指定し、「動画1を参考に」とは絶対に書かないこと。「参考に」という一語が入るだけで、モデルは編集タスクを参照生成タスクと誤認し、元動画に似ているようで別物の新規動画が返ってきます。

3種類のタスクは組み合わせも可能です。「<動画2>のカメラワークを参考に、<動画1>を厳密に編集し……」のように。

コアとなる公式

テキストからの動画生成や複雑なタスクでは、この骨格に沿ってプロンプトを組み立てます。

正確な被写体 + 動作の詳細 + シーン環境 + 光と色調 + カメラワーク + ビジュアルスタイル + 画質 + 制約条件

この順序には論理があります。まず「誰が何をするか」（時間レイヤーの主役）を固定し、次に「どこで、どんな雰囲気か」（空間レイヤー）を伝え、それから「どう撮るか」を指示し、最後にスタイル・画質・制約ワードで出力を引き締める。以下の5つのルールは、この公式の展開です。

ルール1：キャストに名前を付ける

参考画像には複数の対象が写っていることが多く、モデルはあなたの言う「彼」が誰なのか分かりません。だから最初にやるべきは被写体の定義です。

画像1の赤いワンピースを着て麦わら帽子をかぶった女性をハナと定義する

ポイントは3つだけ：

• 2〜3個の安定した静的特徴（服装・髪型・カテゴリ）で定義し、一意に識別できるようにする；
• 定義したら、以降は同じラベルを一貫して使う。「ハナ」と「あの女性」を行き来しない；
• 事前定義しないシンプルなシーンでは、被写体に言及するたびに 被写体@画像N の形式で紐付けを明示する。例：「店主@画像1」。

複数キャラクターはそれぞれ定義してラベルを分けます。「動画1の背の高い男を刑事、背の低い男を泥棒と定義する」。以降の追跡シーンでは常に刑事と泥棒と呼べば、指示が混乱しません。

上級テクニックをひとつ。キャラクターの顔が重要な場合は、頭部だけを写した顔アップ写真を別途用意し、役割分担を明記します——「ケンの顔の特徴は画像1（顔アップ）を参照、衣装とスタイリングは画像2（全身写真）を参照」。これが、生成途中で顔が入れ替わる現象への最も効果的な防御策です。

ルール2：「雰囲気」ではなく「カット割り」を書く

モデルの内部表現は空間と時間が分離されているため、複雑な動画に最適なプロンプトの形は時間軸に沿ったカット割りです。動画をカット1・カット2・カット3に分解し、出来事の順に書きます。

悪い例：「男が緊張した様子で街を走る、映画のような映像。」——モデルは推測するしかありません。

良い例：

カット1：路地のサイドショット。男がゆっくり走り出す、荒い息づかい。
カット2：男が果物の屋台に激突。カメラが素早くパンし、怯えた表情のクローズアップへ。
カット3：男が低い塀を乗り越えて消える。カメラはゆっくり引いて、誰もいない街路で静止。

各カットの中身は、決まった順序で4つの要素を伝えるのがおすすめです：

1. カメラワークまたは切り替え方（「ミディアムショットでゆっくり寄る」「カットして……」）
2. 被写体の動作と表情
3. 位置や空間の変化
4. 音声情報（効果音・セリフ・音楽）

注意点：秒単位の正確な時間指定は書かないこと（「0〜3秒」など）。モデルの正確な時間指定への対応は不安定で、無理に尺を縛ると生成結果が崩れやすくなります。ストーリーに合わせて自然にペース配分させましょう。

ルール3：動作は「振り付け」する

動作を書く原則は、部位の具体化 + 程度の数値化。手・脚・頭など体の部位まで具体的に書き、振幅・速度・力加減を添えます。「ゆっくり手を上げる」「素早く振り向く」「力強く地面を蹴る」——漠然とした「動く」ではなく。

経験則を2つ：

• ゆっくりした、連続的な小さい動きを優先する。ゆっくり歩く、そっと手を上げる、流れるように腰を下ろす——こうした動作の成功率は、全力疾走・大ジャンプ・激しい回転などの爆発的な動作よりはるかに高い；
• 動作間のつなぎを書く。「振り向いた勢いのまま手を上げる」は、独立した2つの動作を並べるよりずっと自然につながります。

感情も同じです。抽象的な言葉ではなく、身体のディテールとして外在化しましょう：

ルール4：1カットにカメラワークは1つだけ

Seedance 2.0 は標準的な撮影用語をよく理解します。そのまま使ってください：ミディアムショット、クローズアップ、ワイドショット、ゆっくりとしたプッシュイン、滑らかな横移動、固定カメラ、手持ちフォロー……

鉄則はひとつだけ。**1カットに指定するカメラワークは1種類まで。**プッシュ・プル・パン・トラックを同時に要求すると、画面の安定性が目に見えて低下します。複雑なカメラの動きが欲しければ、複数カットに分割するか、カメラワークの参考動画をモデルに渡しましょう。

ルール5：制約ワードで締める

プロンプトの最終段落の役割は、ランダム性を檻に入れることです。3種類のワードがそれぞれの仕事をします：

• 画質：高精細、ディテール豊か、シネマティックな質感、自然な色彩、柔らかな光；
• スタイル：目標の画風を明示する——「2Dアニメスタイル」「レトロフィルム」「サイバーパンクの冷たい青紫トーン」。参考画像が実写風なのにアニメ調の完成品が欲しい場合は特に重要で、書かないと実写風に漂流しがちです；
• 制約：この三点セットは常備を推奨——「字幕を入れない」「ウォーターマークを生成しない」「ロゴを生成しない」。複数人のシーンではグローバル制約も追加：「動画全体を通して、外見・服装が完全に同一の人物を重複して登場させない。」

素材構成：4〜5点、それぞれに役割を

参考素材は多ければ良いというものではありません。素材を4つの機能的役割に割り当てて構成します：

1. キャラクターアンカー：人物の外見を固定（顔アップ + 全身、1〜2枚）
2. シーン設定：環境とアートディレクションを固定（1枚）
3. カメラワーク参照：ショットの言語と動きのリズムを固定（動画1本）
4. ムード制御：感情と声色を音声でコントロール（1本）

合計4〜5点がスイートスポットです。アップロード上限まで使うのは逆効果——素材が多すぎるとモデルは特徴の優先順位を判断できず、スタイルの衝突や被写体の混同が起きます。もうひとつ直感に反するルール：**キャラクター参照に三面図・多視点シートを使わないこと。**モデルは異なるアングルを別人と認識しやすく、顔の入れ替わりや「双子」バグをむしろ悪化させます。

順序も重要です。正確に再現してほしい素材ほど、プロンプト内で早く言及する。

モデルが理解する記号早見表

Seedance 2.0 には情報タイプを区別する記号の規約があり、正しく使うと理解精度が目に見えて向上します：

セリフの言語は統一しましょう。言語の混在は避けます（固有名詞は例外）。

トラブルシューティング表

もうひとつ、独立して語る価値のある判断ポイント：**「延長」を使うべきか、「分割生成して編集」すべきか？**単一シーン内の会話劇——長い対話、感情の高まり——には動画延長を使い、没入感のあるワンカット風に。物語の転換点や激しいアクション——追跡、格闘、モンタージュ——は個別に生成してから編集でつなぎ、リズムとインパクトを守る。実際の制作では、たいてい両方を組み合わせます。

完全な実例：夜市の屋台ショートフィルム

ここまでのルールを全部使って、1本のプロンプトを書いてみます。

素材：画像1 = 店主の顔アップ；画像2 = 店主の全身写真；画像3 = 夜市の屋台シーン；音声1 = 軽快な市場のBGM。

画像1と画像2の男性をケンと定義する。顔の特徴は画像1（顔アップ）を参照、衣装とスタイリングは画像2（全身写真）を参照。シーンは画像3の夜市の焼きそば屋台を参照し、BGMは音声1と融合させる。

カット1：固定カメラのミディアムショット。ケンが屋台の中華鍋を振るい、炎が立ち上る。手首を素早く細かく動かして麺を炒め、額にうっすら汗が光る。<鉄鍋の炒め音がジャッと響く>（バックグラウンドで軽快な市場の音楽が流れている）

カット2：カメラがゆっくり寄ってクローズショットへ。ケンが焼きそばを皿に盛って差し出し、口角を上げ、画面外の客に{熱いうちにどうぞ}と言う。

カット3：カメラがゆっくり引いてワイドショットへ。屋台の看板が夜闇に灯り、人波が行き交い、ケンは鍋振りに戻る。

全体：高精細、ディテール豊か、暖色トーン、シネマティックな質感、柔らかな光。字幕を入れない、ウォーターマークを生成しない、ロゴを生成しない。動画全体を通してケンは1人だけ登場し、外見が同一の重複人物を出さない。

対応関係を確認しましょう：タスク動詞（参照）、役割分担付きの被写体定義（顔アップが顔を、全身写真がスタイリングを担当）、カメラ/動作/空間/音声を含む3つのカット、1カット1カメラワーク、正しい記号、そして画質 + スタイル + 制約の締め。

画像から動画へ：そのまま使えるプロンプトをあと2本

夜市の実例は「フル素材キット」の使い方でした。しかし実際の画像から動画（image-to-video）は、もっと素朴に始まることが多い——手元に1〜2枚の画像があって、それを動かしたい。以下の2本のプロンプトは「シンプル」と「フルスケール」の対になっていて、見落とされがちな判断基準を示しています：すべてのプロンプトにカット割りが必要なわけではない。単一シーン内のひと続きの動作なら一段落で書き切れば十分。空間をまたぐ多イベントの物語だけが、「全体設定 + カット割り + 制約」のフル構造に値します。

実例1：1枚の画像でマイクロモーション——古い写真に命を吹き込む

素材：画像1 = 中庭の籐椅子に座る老婦人の古い写真。

画像1の籐椅子に座った、紺色の木綿の上着を着た白髪の老婦人を参考に、静かな午後の中庭にいる彼女の映像を生成する：まず穏やかに前方を見つめ、それから目をゆっくり瞬き、口角が少しずつ上がってかすかな笑みになり、画面右側へわずかに首を傾け、その動きの流れのまま右手を上げて、耳元のほつれ毛をそっと撫でつける；背後では干した洗濯物と木々の影が微風にやさしく揺れる。固定カメラのミディアムクローズショット。<中庭にかすかな鳥のさえずりと風の音> レトロフィルムの質感、暖色トーン、柔らかな光；人物の顔は安定して変形せず、動きはゆっくりと連続的；字幕を入れない、ウォーターマークを生成しない、ロゴを生成しない。

ルールと照合してみましょう：被写体は3つの静的特徴（籐椅子・紺の上着・白髪）で固定；動作はすべてゆっくり連続的な小さい動きで、つなぎも書いてある（首を傾けた流れのまま手を上げる）；カメラワークは全編1種類だけ；最後の一文で画質・安定・制約の三点セットを折りたたんで締める。シンプルな要望はこのくらい短くていい——無理にカット割りするのは、モデルに余計なアドリブの余地を与えるだけです。

実例2：複数画像 + カット割り——雨の路地のショートフィルム

素材：画像1 = 女性の顔アップ；画像2 = チャイナドレス姿の全身写真；画像3 = 雨に濡れた古い町の石畳の路地。アップロード順に注意：最も正確に再現したい顔を先頭に。

全体設定は、雨に煙る古い町の石畳の路地、シネマティックな実写調。画像1と画像2の女性をメイと定義する：顔の特徴は画像1（顔アップ）を参照、衣装とスタイリングは画像2（全身写真）を参照；シーンは画像3の石畳の路地を参照し、画像3 を冒頭フレームとする。

カット1：固定カメラのワイドショット。細かい雨が石畳に降り、メイが油紙の傘をさして路地の入口からゆっくり歩いてくる。足取りは静かで、チャイナドレスの裾が歩みに合わせてやわらかく揺れる。<傘を打つ雨のかすかな音>

カット2：カメラがゆっくり寄ってミディアムクローズショットへ。メイが木の扉の前で立ち止まり、傘をわずかに傾けて首をめぐらせ、視線が扉の真鍮の環に落ちる。まつ毛に小さな雨粒が光る。

カット3：カメラが滑らかに横移動。腕を上げた勢いのままメイは一息に傘を畳み、身を翻して扉の中へ入っていく。画面は路地の奥に霞む灯りで静止する。（バックグラウンドにゆったりとした古筝の音楽が流れ始める）

全体：高精細、ディテール豊か、フィルムグレインのシネマティックな質感、彩度低めの寒色パレット、光の層が豊か；人物の顔は安定して変形せず、動きはゆっくり連続的で自然、めり込みやカクつきなし；字幕を入れない、ウォーターマークを生成しない、ロゴを生成しない；動画全体を通してメイは1人だけ登場し、外見が同一の重複人物を出さない。

このプロンプトは5つのルールをすべて貫いた上で、画像から動画に特有のテクニックをひとつ追加しています：冒頭フレームの宣言です。「画像3 を冒頭フレームとする」と書けば、動画はシーン画像の構図から自然に展開します——まず誰もいない路地が映り、そこへ人物が入ってくる。冒頭をモデルに推測させるより、ずっと安定します。感情の書き方にも注目：「物憂げ」という言葉は一度も出てきません。書いてあるのは「視線が真鍮の環に落ちる、まつ毛に雨粒が光る」です。

テキストから動画へ：画像が1枚もないときの書き方

ここまでの例はすべて参考素材ありきでした。では、何も持っていない場合——純粋なテキストから動画（text-to-video）は？公式は冒頭の骨格のままですが、決定的な違いがひとつ：紐付ける画像がないため、被写体もスタイルも言葉だけで固定するしかない。特徴はより密に詰め込む必要があります。ここでも「シンプル」と「フルスケール」の2本立てです。

実例1：雪の夜、コンビニ前の猫（一段落で組み立て）

深夜のコンビニの入口前、茶白のショートヘアの猫が階段の上に座り、細かい雪がゆっくりと舞い落ちる。猫は時折耳を小さく震わせて耳先の雪を払い、尻尾の先をゆったりと左右に揺らし、吐く息が冷たい空気の中で小さな白い塊になる；背後のガラス扉からは暖かい黄色の光が漏れ、雪が光の輪の中をゆっくり沈んでいく。固定カメラのクローズショット。<店内からかすかな電子チャイムと暖房の低いうなり> 高精細、ディテール豊か、シネマティックな質感、寒色と暖色が対比する夜景トーン、柔らかな光；毛並みのディテールは安定、動きはゆっくりと連続的；字幕を入れない、ウォーターマークを生成しない、ロゴを生成しない。

参考画像がない以上、「茶白・ショートヘア・階段に座っている」がこの猫の唯一の身分証です——特徴の密度がそのまま被写体の安定度を決めます。そして動作は相変わらずすべてゆっくりした小さな動き（耳を震わす、尻尾を揺らす、白い息）。動物モチーフではこれが特に効きます。

実例2：コーヒーショップの広告（カット割り + 画面内テキスト）

全体設定は早朝の個人経営のコーヒーショップ、暖色のシネマティックトーン、大きなガラス窓から自然光が斜めに差し込む。

カット1：固定カメラのクローズアップ。深い茶色のコーヒー豆が上からゆっくりとグラインダーの金属ホッパーに注がれ、豆が跳ねてぶつかり合い、微細な粉塵が逆光の中に浮かぶ。<コーヒー豆がざらざらとぶつかる音>

カット2：カメラがゆっくり寄る。白い陶器のカップの中で、ラテアートが中心から葉の形にゆっくりと広がり、湯気が立ちのぼって窓の光に見え隠れする。<ミルクを注ぐかすかな水音>

カット3：カメラがゆっくり引いてワイドショットへ。朝の光に満ちた店内は清潔で静か、カウンターの上のラテから湯気が立つ；画面下3分の1に白い手書き風の文字がフェードインする：「まず一口、それから今日を」。（バックグラウンドに穏やかなアコースティックギター）

全体：高精細、ディテール豊か、暖色トーン、シネマティックな質感、柔らかな光；液体と湯気の形状は自然で歪みなし；指定した文字以外のテキストは一切出さない、ウォーターマークを生成しない、ロゴを生成しない。

この例には、逆に覚えやすいルールが隠れています：画面に文字を出したいときは、制約ワードを反転させる。「字幕を入れない」を外し、代わりに文字の4点セット——内容・タイミング・位置・出現のしかた——を明記した上で、「指定した文字以外のテキストは一切出さない」で締める。スローガン表示はテキストから動画の最も一般的な商用ユースケースなので、この反転は覚えておく価値があります。

おわりに

Seedance 2.0 は、動画生成のボトルネックを「モデルの能力」から「あなたの伝達力」へと移しました。映画の撮り方を知っている必要はありません。必要なのは、監督が演出指示書を書くようにプロンプトを書くこと——キャストに名前を付け、カット割りで物語を語り、動作を振り付け、1カットに1つのカメラワーク、そして制約ワードで締める。

あとは実践あるのみ。上の屋台のプロンプト、そのまま持っていって自由に改造してください。