［検証］ Seedance 2.5 を超える動画生成モデルは出てくるのだろうか？／95分のAI長編映画「Hell Grind」から学べること。
Seedance 2.5 検証の続き
しばらく、MiniMax H3 や旧モデルのSeedance 2.0と比較検証を続けてきましたが、Seedance 2.5が圧倒的に優れていることを確認できたため、検証は終了しました。
※あくまで「実写表現のAIドラマ制作」においての検証。アニメ表現などの検証はしていません。
前回の検証：
2.5に最適化したプロンプトは長文になる
プロンプトの忠実度が向上したことで、必要な情報を与えないと「勝手に拡張する」度合いが増す傾向があります。クリエイティビティより、安定した動きを優先するため、2.5が拡張したプロンプトは「現実的で静的」です。2.0のような創造的にはなりにくいようです。
必要な情報を与えると、プロンプトの総量も増加し、かなりの長文になります。Seedance 2.5が利用可能になった日に、Runwayの入力文字数も「15,000字」まで拡張されました。
Runwayはそれまで「3,500」字しか入力できなかったので、調整に苦労しました。2.0でも4,000字を超える時がありましたので、英語で溢れた場合は、中国語に翻訳・圧縮して対応。苦肉の策ですが。
現在、制作中のAIドラマのエピソード3は、Seedance 2.5を使用しています（2.0から切り替えました）。
以下の動画は、難易度が高いため、2.0では諦めたシーンです。
公式ユーザーガイドには、「時間範囲はイベントに割り当てる時間枠であり、フレーム単位の正確な編集点ではない」と記されていますが、2.5の場合、演技制御として効き目があります。
再生時間：14秒
Seedance 2.5
上の動画の「Seedance 2.5 専用」シナリオプロンプト：
巨額予算のクライムアクション映画のシーン。
3ショット構成。全ショットは同一の路地で撮影されている。
ショット1／0.0秒から2.0秒まで：
晴れた昼間のニューヨークの路地裏（ @NYC_alley_B）を見下ろすハイアングル・クレーンショット。カメラは地上から12メートルの高さに固定され、レンズは真下から30度前方に傾いている。
路地には4台の公式NYPDパトカー（ @NYC_PoliceCar）が不規則な角度で停車している。4台の屋根の赤と青のLEDライトバーが点滅している。
直射日光がアスファルトとレンガの壁に輪郭の硬い影を落としている。
車両の周囲に12人の警察官が立っている。12人は身長165センチから190センチまでばらつきがあり、男性8人と女性4人が混在している。全員がダークネイビーブルーの長袖制服シャツとダークブルーの8ポイントキャップを着用している。4人はかがんで地面を見ている。3人は黄色い規制テープを両手で引き伸ばしている。カメラが高いため、キャップの頭頂部と両肩が大きく見え、顔は帽子のつばで半分隠れている。
ショット2／2.0秒から9.0秒まで：
カットが切り替わる。カメラは路地の石畳の上、地上2.2メートルの高さに固定される。レンズは水平から8度下を向いている。カメラは黒いSUV（ @Car_A1）の前端から9メートル手前に位置し、車両に正対している。
画面には、SUV（ @Car_A1）の前面全体と、車両の左右それぞれの脇にある石畳の路面と、車両とカメラの間にある石畳の路面が写っている。車両の全幅は画面の横幅の50パーセントに収まっている。車両の屋根は画面上端より下にある。
画面右側が車両の運転席側、画面左側が車両の助手席側である。
2.0秒から2.6秒：
SUV（ @Car_A1）がタイヤを鳴らして停止し、車体が前に沈んでから戻る。
2.6秒から3.2秒：
運転席と助手席の窓ガラスは全開になっている。フロントガラスと開いた窓を通して、画面右にひとみ（ @Hitomi_Cap_A）の顔、画面左にベッキー（ @Becky_Cap_A）の顔が見える。2人はダークネイビーブルーのFBIキャップをかぶり、背中に黄色の「FBI」の文字が入ったダークネイビーブルーのジャケットを着ている。
3.2秒から4.2秒：
画面右のドアが前端を支点にして外側へ70度開き、ひとみ（ @Hitomi_Cap_A）が右足から石畳に降りる。同時に画面左のドアが前端を支点にして外側へ70度開き、ベッキー（ @Becky_Cap_A）が左足から石畳に降りる。この時点で、ひとみ（ @Hitomi_Cap_A）とベッキー（ @Becky_Cap_A）の頭頂部からつま先までが画面内に写っている。2人の靴と石畳が画面に写っている。
4.2秒から5.0秒：
ひとみ（ @Hitomi_Cap_A）が左手でドアの上端の縁を掴み、腕を伸ばして押し、ドアが閉まって車体に密着する。同時にベッキー（ @Becky_Cap_A）が右手でドアの上端の縁を掴み、腕を伸ばして押し、ドアが閉まって車体に密着する。2人の上半身はドアを押す方向にひねられ、両足は石畳の上で踏み替えられる。5.0秒の時点で、左右2枚のドアはどちらも閉じている。
5.0秒から6.4秒：
ひとみ（ @Hitomi_Cap_A）は車体の右脇の石畳を前方へ3歩歩く。同時にベッキー（ @Becky_Cap_A）は車体の左脇の石畳を前方へ3歩歩く。2人はSUV（ @Car_A1）の前バンパーの前で横に並ぶ。2人の足は一度も止まらない。
6.4秒から7.6秒：
2人はカメラに向かって石畳の上を2歩歩く。歩きながらベッキー（ @Becky_Cap_A）が口を動かして{今日は事件が多いよね。}と言う。2人の足は一度も止まらない。
7.6秒から9.0秒：
2人はカメラに向かって石畳の上を3歩歩く。歩きながらひとみ（ @Hitomi_Cap_A）が口角を上げ、口を動かして低い声で{これが私たちの仕事よ。}と言う。2人の足は一度も止まらない。
9.0秒の時点で、2人の腰から上が画面に収まっている。画面左にひとみ（ @Hitomi_Cap_A）、画面右にベッキー（ @Becky_Cap_A）が並んでいる。
ショット3／9.0秒から15.0秒まで：
カットが切り替わる。カメラは路地の石畳の上、地上1.7メートルの高さに位置し、ひとみ（ @Hitomi_Cap_A）とベッキー（ @Becky_Cap_A）の後方1.5メートルから、2人の背中越しに路地の奥を撮影している。
9.0秒の最初のフレームで、画面左端にベッキー（ @Becky_Cap_A）の後頭部と左肩、画面右端にひとみ（ @Hitomi_Cap_A）の後頭部と右肩が写っている。2人の後頭部と肩は画面の高さいっぱいに大きく写り、焦点が外れて輪郭がぼけている。2人の間には、路地の奥へ続く石畳が見えている。2人は既にカメラから離れる方向へ歩いている途中であり、歩く速度と歩幅は8.9秒の時点と同じである。
9.0秒の最初のフレームで、警察官（ @NYC_Police）が2人の間の石畳の上、カメラから8メートル奥の位置に立っており、カメラに顔を向けている。この警察官は身長183センチの男性で、ダークネイビーブルーの長袖制服シャツ、ダークブルーの8ポイントキャップ、胸の銀色のバッジ、黒い革のベルトを身につけている。警察官（ @NYC_Police）の背後には、腰の高さに張られた黄色い規制テープと、停車したNYPDパトカー（ @NYC_PoliceCar）が見えている。
9.0秒から10.2秒：
警察官（ @NYC_Police）が石畳の上をカメラに向かって4歩歩き、カメラから4メートルの位置で足を止める。同時にひとみ（ @Hitomi_Cap_A）とベッキー（ @Becky_Cap_A）はカメラから離れる方向へ2歩歩く。カメラは2人の後方1.5メートルの距離を保って前進する。歩きながらベッキー（ @Becky_Cap_A）が顔を右へ向けてひとみ（ @Hitomi_Cap_A）を見て、右の横顔をカメラに見せながら口を動かして{まぁ、そうなんだけどね〜}と言う。
10.2秒から11.0秒：
ひとみ（ @Hitomi_Cap_A）とベッキー（ @Becky_Cap_A）が足を止める。カメラも前進を止める。警察官（ @NYC_Police）は画面の中央に、顔と胸をカメラに正面から向けて立っている。警察官（ @NYC_Police）の頭頂部から膝までが画面に収まり、顔には焦点が合っている。画面の左端と右端には、ベッキー（ @Becky_Cap_A）とひとみ（ @Hitomi_Cap_A）の後頭部と肩が、焦点の外れた状態で写っている。
11.0秒から11.6秒：
警察官（ @NYC_Police）が右手を上げ、指先を右目の上のキャップのつばの縁につける。顔はカメラに正面を向けたままである。0.6秒で右手を体の横まで下ろす。
11.6秒から13.0秒：
警察官（ @NYC_Police）がカメラに顔を向けたまま口を動かして{お待ちしていました。ちょっと、よろしいですか？}と言う。
13.0秒から15.0秒：
警察官（ @NYC_Police）が体を180度回して背を向け、路地の奥へ歩き出す。ひとみ（ @Hitomi_Cap_A）とベッキー（ @Becky_Cap_A）が続いて歩き出し、警察官（ @NYC_Police）の1メートル後ろを並んで歩く。カメラは3人の後方2メートルの距離を保って前進し、3人の背中と、ジャケットの背中の黄色い「FBI」の文字を捉え続ける。3人の足は一度も止まらない。
環境音：
SUV（ @Car_A1）のタイヤが石畳を擦る音とブレーキ音。ドアが2枚同時に閉まる音。ひとみ（ @Hitomi_Cap_A）とベッキー（ @Becky_Cap_A）が石畳を歩く足音。遠くのパトカーのサイレン。
No Music. No BGM.
No subtitles. No captions. No title super. No text. No letters. No numbers. No logos. No watermarks.
タイムスタンプに詰め込み過ぎると過剰なカットやイベントの省略が起こりますが、調整次第ではかなり使えます。
エピソード2を2.5で再生成してみる
AIドラマのエピソード1と2は、Seedance 2.0 で制作しましたが、現在制作中のエピソード3は、2.5を使用しています。
Seedance 2.0で制作されたエピソード2：
エピソード2で使用したリファレンスとプロンプトを使い、2.5で再生成してみたところ、人物の肌のディテール表現が明らかに改善されていました。
2.0でリアリズムを追求すると、ほくろが発生したり、肌の不自然なざらつきが目立っていました。例えば、Y2K要素を加味すると、必ずグリッター（ラメ）が若い女性キャラの頬などに発生します。
ほくろはAfter Effectsの機能で除去したり、肌の質感を改善していましたが、2.5では全く問題なく生成できます。意図しない要素が勝手に追加されることはありません。
再生時間：39秒
エピソード2のシーンをSeedance 2.5 で再生成
2.5は、2.0よりリアリズム追求に適しており、実写系AIドラマ制作ではスタンダードになる可能性が高いと思います。
ただ、前述したとおり、詳細な情報を与えないとクリエイティビティを抑えた安全かつ静的な拡張プロンプトを作りますので、Sora 2のような創造性豊かな映像は期待できません。
初心者向きの動画生成モデルではありません（コスト面でも）。
明らかに、プロ仕様です。
95分のAI長編映画「Hell Grind」
Higgsfield AIが制作した95分のAI長編映画「HELL GRIND（ヘル・グラインド）」がYouTubeで公開されています。
Seedance 2.0が全面的に使用されており、同モデルの映像表現力の高さを証明した作品でもあります。
創業者Alex Mashrabov氏のLinkedIn投稿によれば、「15人のプロの監督・撮影監督・編集者からなるチームが、14日間・50万ドル未満で、Higgsfield上で制作した」とされています。
50万ドル？？
約8,000万円！
WSJの取材では、そのうちコンピュート費用が40万ドルに達したこと、大手ハイパースケーラーではなくNebiusやCoreWeaveといったクラウド事業者を使うことで、これ以上の膨張を抑えたと報じています。
つまり残りは10万ドル程度（1,620万円くらい）で、そこに人件費、音響、編集、宣伝のすべてが収まる計算になります。
Higgsfieldの発表によれば、最初の25分間のセグメントで「253本の最終カットを得るのに16,181回の動画生成が必要」だったようです。
この数字は同社の公式Xアカウントでも発信され、Screen Dailyをはじめ複数の媒体が報じています。
Higgsfieldのコンテンツリードを務めるAdil Alimzhanov氏によれば、制作の中核は、使用に耐える水準に達するまで15秒のクリップを生成し続ける作業だということです。Mashrabov氏はこの工程を「スロットマシンのような感覚」と表現しています。
つまり、ひたすら生成しまくる、ということ。
使用に耐える水準に達するまで、妥協することなく続けるわけです。
長尺を作り切った人が痛感するのは「魔法の呪文は無い！」ということで、どれだけプロンプトを磨いたり、システム化しても、最後は力技であると。
253カットで25分ということは、平均ショット長は6秒弱。アクション作品として妥当な水準でしょう。1カットあたり平均64回の試行が必要だったことになります。
以下の3時間のチュートリアル動画は、過去見てきた動画生成のチュートリアルの中で「最も学びが多かった」ものです。
意図した結果になるまで「数十、数百と生成しまくる」。
とにかく、生成しまくる動画です。
どんなに、AIエージェントで自動化しても、どんなにプロンプトを最適化しても、けっきょく「ベストな表現になるまで」生成しまくる。
そんな「3時間」です。
私たちが、100回生成してベストな動画を選出しても、監督が「NO !」と言ったら、また生成し直すのです。
テンプレ化しやすい企業ビデオやプロモーション映像などは、AIを使って最適化・効率化・自動化することができます。
ただ、ストーリー（映画やドラマなど）は、泥臭く地味な作業は避けられないというのが真実です。もちろん、AIによって「撮影がない」こと自体が革新的なわけですが。
プロンプトに物理法則を書き込む
同サイトには、この作品の全アセットと使用したプロンプトが公開されています。AI映像で長尺に挑もうとしているクリエイターにとって、最も情報量の多いケーススタディになります。
ショット間の一貫性を保つため、プロンプトは長大かつ詳細なものになり、平均で約3,000字（1万字超えるカットもある）。
そこには物理法則の遵守をモデルに想起させる語句、意図した撮影上の選択の指定、そしてAI特有の光沢を避けるための記述などが含まれていたと記されています。
注目すべきは、書かれているのが形容ではなく「物理的事実」だという点です。「リアルに」「シネマティックに」といった抽象語ではなく、重力と慣性、質量、接地影、浮遊しない小道具など、具体的に書く。カメラの意図も同様に具体的に指定されています。平均3,000字という分量は、絵コンテを文章に置き換えているのに近い密度です。
WSJによれば、Higgsfieldがクライアントに販売しているツールの一つは、まさにこの複雑で詳細なプロンプトを生成する仕組み。ユーザーが脚本を1ページ入力すると、数千字に及ぶプロンプトが返され、それがプロダクション品質の出力を生むように設計されています。
つまり、実際のワークフローは「人がプロンプトを書く」のではなく、「（人間が）脚本を書き、それを（AIに）長尺プロンプトに展開させ、出力を選別する」という三層構造になっています。
個人制作でも、この中間層を自前で用意できるかどうかが効率を大きく左右するはずです。
音声は明確な弱点だった
音響については公式の技術開示がほとんどありません。
確認できるのは、Varietyの取材でHiggsfield広報が劇中の楽曲は1曲を除いてすべてAI生成だと述べたこと、そしてMashrabov氏自身が、プロの声優が映画にとっていかに重要かというフィードバックを受けており、それが明らかに欠けていたと認めたことだけです。
プロジェクトの総責任者が、公に認めた弱点が「音声演技」だという事実は重要です。
映像側の到達度が上がるほど、音声の粗さが相対的に目立ちます。
逆に言えば、声の演技と音響設計に人的リソースを配分することが、現時点で最も費用対効果の高い差別化になり得ます。
映像はハイクオリティでも、登場人物が話す言語のイントネーションが不自然だったり、読み間違いがあると、一気にリアリティが低下してしまいます。
このやり方は真似できない
前述した3時間あるチュートリアル動画の最後の1分が最も衝撃的です。
生成した画像／動画の総数は「48,336」で、約800アセットを制作。
ただ、採用されたのはわずか「8」個だけ…
豊富なクレジットがある制作環境と、私たちのように常に「節約」を考慮しながら少ないクレジットでやり繰りしている環境では、進め方が変わってきます。
端的に言えば、弱者の戦略が必要です。
Higgsfieldのワークフローから学べることが多数ありましたが、このやり方をビジネス（クライアントワーク等）で採用すると、全く利益が出ないと思いますので、大型の資金調達を見据えたエンターテインメント以外ではかなり難しそうです。
ただ、（過去何度も書いてますが）自主映画制作者にとっては、夢のような時代の到来であり、このような大きなチャンスはもう2度と来ないのではないでしょうか。
関連マガジン：
更新日：2026年8月7日（金）／公開日：2026年8月7日（金）