【Seedance 2.5】参照素材の上限と仕様完全ガイド：最大50個のマルチ参照 vs 画像から動画（首尾フレーム）の徹底比較

はじめに：参照素材の仕様で混乱していませんか？

ByteDance の最新AI動画生成基盤モデル「シーダンス 2.5（Seedance 2.5）」は、従来の動画生成AIの常識を覆す圧倒的なマルチモーダル参照機能を備えています。

しかし、実際にスタジオ（生成画面）でプロレベルの映像制作を行おうとすると、多くのクリエイターが次のような仕様上の疑問に直面します。

結論から申し上げますと、標準モードでも実写人物モードでも、サーバー側で完全に同一の「最大50素材（画像30 / 動画10 / 音声10）」という厳格な上限が適用されています。また、参考動画には**「単体・複数本に関わらず合計30秒以内」という絶対的な時間制限ルール**が存在します。

さらに、**「マルチモーダル参照」と「首尾フレーム（Image-to-Video）」は内部の生成アルゴリズムが根本から異なり、システム的に併用不可（排他制御）**となっています。

この記事では、Seedance 2.5 のバックエンドAPIおよびフロントエンド実装のコードベースを徹底検証し、素材上限・容量・解像度・時間の最新スペック一覧から、2つの入力方式の技術的本質とシーン別使い分けまでを完全解説します。

結論サマリー：素材仕様＆入力モード比較表

まずは忙しいクリエイターのために、主要なスペックと制限事項を一覧表にまとめました。

1. 素材タイプ別のスペック・上限一覧表

2. 「マルチモーダル参照」vs「画像から動画（首尾フレーム）」比較表

疑問1：標準モードと実写人物モードでサーバー側の上限は同じか？

結論：サーバーサイドでも完全に同一の「最大50素材」が適用されています

当サイト（seedance25.jp）のスタジオ画面では、動画の生成モードとして**「標準モード（Standard Mode / 非真人モード）」と「実写人物モード（Real-Person Mode / 真人モード）」**を選択できます。

• 標準モード（非真人モード）: アニメ調、3D CG、幻想的なファンタジー、商品PV、一般的な風景映像など、幅広い表現に最適化された推論パイプライン
• 実写人物モード（真人モード）: 人物の肌のキメ、毛髪の微細な質感、リアルな顔立ち、フォトリアルな実写ドラマ表現に特化した推論パイプライン

用途に合わせた2つの生成モードが用意されていますが、どちらのモードも基盤モデルは全く同一の「ByteDance Seedance 2.5」であり、サーバー側で同一のバリデーションチェックが厳格に実行されています。

システム仕様における制限の統一

当サイトの動画生成システムでは、各モデルの素材上限が以下のように明確に定義されています。

そして、動画生成リクエストを受け取るサーバー側では、生成タスクを送信する前に以下の二重バリデーションが自動的に実行されます。

1. 全体合計上限チェック: アップロードされた全素材（画像＋動画＋音声）の合計が50個を超えていないか
2. 素材種別ごとの個別上限チェック: 画像が30枚、動画が10本、音声が10本をそれぞれ超えていないか

いずれかの上限を1つでも超えた場合、サーバー側で即座に検知され、安全にエラーが通知されます。つまり「画面上では50個と書いてあるが、実写モードだと実は少なくなる」といった隠れ仕様は一切なく、どちらのモードでも安心して最大50素材のマルチ参照を活用可能です。

疑問2：画像・動画・音声の個別スペック制限一覧（最新仕様）

素材をアップロードする際、容量エラーやフォーマットエラーを起こさないために知っておくべき詳細スペックを解説します。

1. 参考画像（Reference Images）の仕様

• 最大アップロード枚数: 30枚（全素材合計50個以内）
• ファイル容量制限:
  • フロントエンド自動最適化: browser-image-compression により、アップロード時に最大8MB以下に自動圧縮されます。一眼レフで撮影した20MB〜30MBのRAW現像写真でも、ブラウザ上で安全に軽量化されて送信されます。
  • ストレージ Presigned URL 上限: 物理的な最大アップロード上限は 50MB（MAX_FILE_SIZE = 50 * 1024 * 1024）です。
• 解像度:
  • ブラウザ上で長辺が最大2048px（IMAGE_UPLOAD_MAX_DIMENSION = 2048）に自動調整されます。
  • 推奨解像度は 300×300px 〜 2048×2048px です（極端に小さなアイコン画像や、4096pxを超える巨大画像は細部が潰れたりリサイズでぼやける原因になります）。
• 対応フォーマット: JPG, PNG, WebP

2. 参考動画（Reference Videos）の仕様【最重要：合計30秒ルール】

参考動画の取り扱いには、クリエイターが最も注意すべき**「合計時間ルール」**が存在します。

• 最大アップロード本数: 10本（全素材合計50個以内）
• 【重要】合計時間の上限: 最大30秒まで（Total Duration ≤ 30s）
  • 1本の動画単体でも、複数本の動画をアップロードした場合でも、すべての参考動画の長さを合算した合計が「30秒」を超えてはなりません。
  • たとえば、「15秒の動画を2本（計30秒）」や「3秒の動画を10本（計30秒）」は問題なく受理されますが、「20秒の動画を2本（計40秒）」をアップロードすると、画面およびサーバーで即座に検知され、Reference videos can be up to 30 seconds in total. という通知とともに処理が中断されます。
• 1本あたりのファイル容量: 最大 50MB
• 対応フォーマット: MP4, MOV（コーデックは最も互換性の高い H.264 / AAC 推奨）
• 推奨解像度: 720p（1280×720）〜 1080p（1920×1080）。4K動画は容量50MBの上限に達しやすいため、720p程度にエンコードした軽量クリップを用意するのがベストです。

3. 参考音声（Reference Audios）の仕様

Seedance 2.5 は、映像だけでなく音声（環境音、BGM、声色）の同時生成・同期に対応しています。

• 最大アップロード本数: 10本（全素材合計50個以内）
• 推奨時間: 15秒 〜 30秒
  • 生成する動画の尺（5〜30秒）に合わせた長さの音声クリップを用意するのが理想的です。
• 1本あたりのファイル容量: 最大 50MB
• 対応フォーマット: MP3, WAV, AAC, M4A

疑問3：【超重要】「マルチモーダル参照」と「画像から動画（首尾フレーム）」の決定的な違い

スタジオ画面を操作していると、「上部の画像アップロード（開始・終了フレーム）」と「下部の参照素材追加（画像・動画・音声）」の2箇所に素材入力欄があることに気付きます。

「なぜ2箇所に分かれているのか？」「両方に同じ画像を入れたらどうなるのか？」という点について、技術的な観点から明確に区別して解説します。

1. なぜ同時に使えないのか？（入力モードの排他制御ルール）

スタジオ画面では、「画像から動画（開始・終了フレーム）」と「マルチモーダル参照（画像・動画・音声）」の2つを同時に指定することはできません。システム上、以下の2つのルールが厳格に適用されます。

• ルール①：マルチ参照と首尾フレームの同時指定は不可
  参照素材（画像・動画・音声のいずれか）をアップロードしている場合、開始フレームや終了フレームを同時に設定して生成することはできません。どちらか一方のモードを選択して使用します。
• ルール②：終了フレーム単体の指定は不可
  終了フレーム（ラストシーンの絵柄指定）を使用する場合は、必ず「開始フレーム」とのペアで指定する必要があります（開始フレームなしで終了フレームだけを設定することはできません）。

この2つの方式は、AIモデル内部における「画像情報の扱い方（数学的条件付け）」が根本的に異なるため、同時に実行することができません。

flowchart TD
    subgraph ModeA["画像から動画（Image-to-Video / 首尾フレーム）"]
        A1["開始フレーム（0.00秒）"] -->|物理ピクセルを100%固定| A2["生成動画の先頭コマ"]
        A3["終了フレーム（任意）"] -->|物理ピクセルを100%固定| A4["生成動画の末尾コマ"]
        A2 & A4 -->|中間フレームを補間・動画化| A5["固定された絵柄からカメラが動き出す"]
    end

    subgraph ModeB["マルチモーダル参照（Multi-Reference / 最大50素材）"]
        B1["画像（@Image1〜30）<br/>動画（@Video1〜10）<br/>音声（@Audio1〜10）"] -->|潜在空間の特徴量（Embedding）を抽出| B2["クロスアテンション層へ注入"]
        B2 -->|構図・アングルを縛らず自由に新規描画| B3["素材の要素（顔・衣装・動き）を受け継いだ<br/>全く新しい構図の動画を生成"]
    end

2. 「物理ピクセルの境界固定」 vs 「潜在特徴量のアテンション誘導」

① 画像から動画（Image-to-Video: 開始・終了フレーム）の挙動

• 物理ピクセル境界の完全固定: 生成される動画の「第0フレーム（1コマ目）」は、あなたがアップロードした開始画像のピクセル情報と完全に一致します。
• 補間（Interpolation）プロセス: AIは「この画像の状態から時間が経過したら、物理的にどう動くか？」を計算します。終了フレームを指定した場合は、「開始フレームから始まり、指定秒数後に終了フレームの絵柄にピッタリ着地する」ように間のコマを滑らかに変形・補間します。
• アスペクト比: 入力画像の縦横比に強制的に連動します（aspect_ratio: 'adaptive'）。自由な比率変更はできません。
• タグ付け: プロンプト内で @Image1 などのタグは使用しません。「カメラがゆっくりズームインし、人物が微笑む」といった自然言語で全体の動きを指示します。

② マルチモーダル参照（Multi-Reference: 最大50素材）の挙動

• 特徴量（Latent Feature）の柔軟なサンプリング: アップロードした画像や動画は、第0フレームとして貼り付けられるわけではありません。AIのエンコーダーが「キャラクターの顔立ち」「髪の色」「服のデザイン」「ライティングの質感」「動画のカメラワークやポーズ」などの特徴概念（Embedding）を抽出し、生成過程のクロスアテンション層に注入します。
• 構図の完全な自由度: 動画の第1コマ目が参照画像と同じである必要は全くありません。「参照画像はバストアップだが、動画では遠くから走ってくる全身ショットにする」「参照動画のダンスの動きを、参照画像の美少女キャラクターに踊らせる」といった、別々の素材の要素を自由に合成した新規動画を作ることができます。
• タグによる精密指示: プロンプト内で明示的に @Image1、@Video1、@Audio1 とタグを書き分け、「誰が何をするのか」を割り当てます。

【マルチ参照プロンプトの記述例】
@Image1 の女性キャラクターが、@Video1 の動画と同じステップでリズミカルにダンスを踊る。
背景はサイバーパンクな夜の都市。カメラは周囲をダイナミックに360度回転する。
全体のビートとテンポは @Audio1 の音楽に完全に同期している。

シチュエーション別：どちらの入力方式を使うべきか？

「自分の作りたい映像には、どちらのモードが適しているのか？」という疑問に答える実践的な判断基準をまとめました。

flowchart TD
    Start["映像制作の目的は？"] --> Q1{"すでにある1枚の絵・写真を<br/>そのまま動かしたい？"}
    Q1 -- YES --> Ans1["👉 画像から動画（開始フレーム）を選択<br/>※元絵の構図が第1コマに固定される"]
    Q1 -- NO --> Q2{"Aの絵からBの絵へ<br/>確実に変身・着地させたい？"}
    Q2 -- YES --> Ans2["👉 画像から動画（開始＋終了フレーム）を選択<br/>※両端のコマが固定され中間が補間される"]
    Q2 -- NO --> Q3{"キャラの顔や衣装を固定しつつ<br/>別アングルや新しいアクションを作りたい？"}
    Q3 -- YES --> Ans3["👉 マルチモーダル参照（画像 @Image1〜）を選択<br/>※アングル自由、ストーリー展開が可能"]
    Q3 -- NO --> Ans4["👉 マルチモーダル参照（画像＋動画＋音声）を選択<br/>※動きや音楽も完全トランスファー"]

ユースケース1：既存のイラストや商品写真をそのまま動かしたい

• 推奨方式: 画像から動画（開始フレーム / Image-to-Video）
• 理由: 元画像の美しい構図やピクセルを1ミリも崩さず、その瞬間から動き出させたい場合は首フレーム指定が一択です。ECサイトの商品プロモーションや、お気に入りのイラストの動画化に最適です。

ユースケース2：シーンの移り変わり（変身シーン、ビフォーアフター）を作りたい

• 推奨方式: 画像から動画（開始フレーム ＋ 終了フレーム）
• 理由: 「昼の街（開始）から夜の街（終了）へ」「普段着の人物（開始）から戦闘服姿（終了）へ」など、動画のゴール地点の絵柄を厳密にコントロールしたい場合は、首尾フレームの2枚指定が最も確実です。

ユースケース3：同一キャラクターで短編映画や連作ショートを作りたい

• 推奨方式: マルチモーダル参照（画像 @Image1〜30）
• 理由: カットごとに「アップ」「引き」「背後からの視点」「激しいアクション」など多彩なカメラワークが必要になります。開始フレーム固定を使うと常に同じアングルから始まってしまうため、マルチ参照で顔や衣装の特徴を維持しつつ、プロンプトでアングルを指示するのがプロのワークフローです。

ユースケース4：実写ダンスや特定のカメラワークを完全コピーしたい

• 推奨方式: マルチモーダル参照（画像 ＋ 動画 @Video1〜10）
• 理由: 参考動画から「身体の動き・リズム・カメラの移動軌跡」を抽出し、参照画像から「キャラクターの見た目」を抽出して合体させます。合計30秒以内のダンス動画をリファレンスに指定すれば、完璧なグルーヴと身体のうねりを再現できます。

トラブルシューティング：よくあるエラーと回避テクニック

スタジオ利用時につまずきやすい代表的なエラーとその対処法です。

エラー1: Reference videos can be up to 30 seconds in total.

• 原因: アップロードした参考動画の合計秒数が30秒を超えています。
• 対処法: 2本以上の動画をアップロードしている場合は、それぞれの動画をトリミングしてください（例：15秒＋15秒＝30秒、または10秒×3本＝30秒）。動画編集ソフト等で必要な動作のハイライト部分だけを切り取ってからアップロードします。

エラー2: First/last frames cannot be combined with multimodal references

• 原因: 画面上部の「画像から動画（首尾フレーム）」欄に画像をセットした状態で、下部の「参考素材（マルチ参照）」にも画像・動画・音声をセットしています。
• 対処法: どちらか一方の入力方式に絞ってください。構図を固定したいなら首尾フレームのみ、特徴や動きを自由に合成したいならマルチ参照のみを使用します。

エラー3: File size too large. Maximum size is 50MB.

• 原因: 動画や音声ファイルの容量が50MBを超えています。
• 対処法: 動画の解像度を1080pまたは720pに落とすか、ビットレートを下げて再エンコード（HandBrake等のツールを活用）してください。画像の場合はブラウザ側で自動圧縮（8MB以下）されますが、破損ファイルや非対応拡張子でないかもご確認ください。

エラー4: Too many reference assets. This model accepts up to 50.

• 原因: 画像、動画、音声を合わせた素材の総数が50個を超えています。
• 対処法: 不要な中間画像や重複したアングルの素材を削除し、合計50個以内に収めてください。

よくある質問（FAQ）

Q1. 標準モードと実写人物モード（真人モード）で、生成クオリティや得意分野に違いはありますか？

A. どちらも同じ ByteDance Seedance 2.5 モデルですが、実写人物モード（真人モード）は特に人間の肌のキメ、毛髪の微細な揺れ、瞳の光彩反射、リアルな顔立ちの再現に最適化された推論パイプラインを通しています。実写系のポートレートやドラマ調のシーンを生成する場合は実写人物モード、アニメ調・3D CG・幻想的な世界観・一般的な風景映像を生成する場合は標準モードを選択するのがおすすめです。

Q2. 参照画像は30枚上限いっぱいまでアップロードした方が精度が上がりますか？

A. 必ずしもそうとは限りません。AIはすべての参照画像から共通の特徴を抽出しようとするため、照明環境や画風がバラバラな画像を大量に投入すると、かえって特徴が混ざり合ってぼやけた出力になるリスクがあります。**「同一の衣装・髪型で、異なるアングルや表情を捉えた高品質な画像 3〜5枚」**が最も安定して高いクオリティを発揮します。

Q3. 参考動画の音声をそのまま動画のBGMとして使わせることはできますか？

A. 参考動画に含まれる音声トラックもAIはある程度解析しますが、音質をクリアに保ちBGMやセリフとして正確に反映させたい場合は、音声ファイル（MP3/WAV）として別途切り出し、「参考音声（Audio Reference）」として独立してアップロードし、プロンプト内で @Audio1 と紐付けるのが確実です。

Q4. 生成できる動画の長さ（Duration）は何秒ですか？

A. Seedance 2.5 の出力動画の長さは、1回の生成につき 5秒 〜 30秒（整数秒）で指定可能です。さらに、生成された動画に対して「ビデオ延長（Video Extension）」機能を使うことで、最大60秒以上のロングテイク映像へ発展させることも可能です。

まとめ：仕様を理解してプロ品質のAI映像を作ろう

Seedance 2.5 は、最大50個という驚異的な素材受け入れ能力と、動画合計30秒に及ぶモーション転送機能を備えた、現時点で最高峰の映像制作ツールです。

• サーバー上限の同一性: 標準モードも実写人物モードも、サーバー側で完全に同一の**「最大50素材（画像30 / 動画10 / 音声10）」**が保証されている。
• 動画合計30秒ルール: 参考動画は複数本の合計でも30秒以内。動作の要点だけを短くトリミングして渡すのがコスト・品質の両面でベスト。
• 2つのモードの明確な使い分け:
  • 構図と1コマ目を完全固定したいなら → 「画像から動画（首尾フレーム）」
  • キャラクター固定で自由なアングルやダンスを再現したいなら → 「マルチモーダル参照（@Image / @Video / @Audio）」

それぞれの特性と制限ルールを正しく理解し、ぜひあなたの思い描く最高の映像を Seedance 2.5 で具現化してください。