Seedance 2.5 の reference システムを徹底解説：画像・動画・音声リファレンスは実際どう機能するのか

Seedance 2.5 の reference システムは、最も強力でありながら最も理解されていない機能のひとつです。多くの人はリファレンスを完全に無視するか、ファイルをまとめて放り込んで運を天に任せるかのどちらかです。EvoLink のオープンガイドにあるコミュニティ事例は、第三の道を示しています。リファレンスを、各ファイルに役割を持たせた意図的なチームとして扱うのです。ポイントはスロットを使い切ることではなく、モデルが本当に必要とするアンカーを、過不足なく与えることにあります。

先にお断りしておくと、Seedance 2.5 はプレリリース段階であり、provider を介して提供されます。以下の上限や挙動は想定される設計を反映したものです。これを前提に開発する前に、provider にサポート状況を確認してください。これは独立したガイドです。EvoLink は私たちが推奨する provider であり、ByteDance とは一切関係がありません。

本当のリファレンス予算

リファレンスはタイプごとに分かれており、各タイプに 1 リクエストあたりの上限があります：

これらは互いに独立した予算であり、共有のプールではありません。画像スロットを消費しても、添付できる動画や音声リファレンスの数は減りません。実際にはほとんどのショットが上限よりはるかに少ない数しか使いません。この余裕は、複数キャラクター・複数制約の制作が妥協で終わらないために存在しています。

リファレンスはどのように prompt に入るのか

リファレンスはサイドチャネルではなく、インラインで引用されます。prompt は、そのファイルの内容が効くべき位置に、«image_1_1» のようなマーカーを正確に書き込みます：

「……カメラは黒いコートの男性（«image_1_1» を参照）を安定して追いかける……」

これが決定的な発想の転換です。コートも、顔も、ロケーションも描写しない。それらを指し示すのです。言葉が方向性を運び、ファイルが名詞を運びます。prompt は短くなり、同時に出力の一貫性は高まります。動画と音声のリファレンスも同じ仕組みで、対応する «video_x_y» と «audio_x_y» のマーカーを使います。

各予算の使い方

さまざまなマルチリファレンス事例を通じて、配分には明確な経済学が見えてきます。タイプごとに考えましょう：

2 キャラクターの物語シーンで画像リファレンスがどれだけ積み上がるかに注目してください。アイデンティティだけで 30 個の画像スロットのうち 4–6 個を消費し得ます。この余裕こそ、以前のより厳しい予算では得られなかったものです。オープニングのギャグからパックショットまで、プロダクト・パレット・マスコットの一貫性を保ち続けることも、多言語の看板を持ち込んで画面上のテキストを文字の羅列ではなく言語として描画させることも、アンカー同士をトレードオフする必要はありません。さらに、動画と音声は別の予算で動くため、カメラワークのクリップやリズムトラックを追加しても、画像スロットが減ることは決してありません。

デバッグ可能に保つワークフロー

時間を浪費する失敗は、すべてのリファレンスを一度に読み込むことです。多数のファイルを使った生成がうまくいかないとき、すべてのファイルが容疑者になります。段階的な順序を守れば失敗は診断可能なままになり、これは私たちが本サイト向けに生成してきた経験とも一致します：

1. まず prompt のみのドラフトを、launch 用の解像度（480p または 720p）で、構図と動きが決まるまで回す
2. 画像のアイデンティティリファレンスを追加し、キャラクターが維持されることを確認する
3. カメラワークの動画クリップを追加し、動きが転写されることを確認する
4. 音声は最後に追加する——リズムは仕上げの層であって、土台ではありません

1 回の実行につき 1 層だけ加えれば、あらゆる失敗の容疑者は 1 つになります。まず低解像度・短尺でドラフトし、ショットが機能してからリファレンスを投入しましょう。Seedance 2.5 はおよそ 4–30 秒の想定尺レンジをサポートし、ネイティブ音声は 1 回の生成で同時に出力され、追加料金はかかりません。

リファレンスの品質ルール

入力と出力を比較して得られた知見です：

• 複数のアングルは 1 枚の完璧なショットに勝ります。 キャラクターの 2、3 のビューは、1 枚のヒーローイメージよりはるかに強くアイデンティティを固定します。そして最大 30 個の画像スロットがあれば、そのための余地は十分にあります。
• クリーンなリファレンスはクリーンに転写されます。 被写体がごちゃついたカメラワーククリップは、動きだけでなく内容まで漏れ出します。最良のリファレンスクリップは、際立って地味なものです。
• 参照したものを改めて描写しないでください。 ファイルと、そのファイルについての文章との間の矛盾は、予測不能な形で解決されます。マーカーを引用したら、それ以上語らないことです。

この経済学を自分で試す

まずプロンプトライブラリで各マーカーがどこに置かれているかを読み、そのうえで自分のショットの 2 キャラクター版を組み立て直してみてください。たとえば、アイデンティティに画像スロット 6 個、ロケーションに 3 個、パレットに 1 個、さらにカメラワークの動画クリップ 1 本と音声トラック 1 本。これはすべての予算に十分収まり、3 タイプとも余裕はたっぷり残ります。プレイグラウンドでセットアップして本番前にプレビューしましょう。コードから操作する場合、リファレンスフィールド（image_urls、video_urls、audio_urls）はプレーンな URL を受け付けます。リクエストの構造と seedance-2.5-reference-to-video モデル id（プレリリース、設定可能）については API ガイドをご覧ください。