ByteDance: Seedance 1.5 Pro

Seedance 1.5 Pro は ByteDance の動画生成モデルで、api14 に bytedance/seedance-1-5-pro として掲載されています。ByteDance の音声映像生成モデル群である Seedance ラインに属し、プロバイダーは 4.5B パラメータの Dual-Branch Diffusion Transformer アーキテクチャに基づいて構築されていると説明しています。動画カテゴリに位置するため、その役割はテキストやチャットのタスクを処理することではなく、動画を生成することです。

このモデルはテキストと画像の入力を受け付け、唯一の出力として動画を生成します。単一の統合パスで動画と音声を同時に生成するため、音声は後から追加されるものではなく生成結果の一部です。出力は 480p、720p、1080p で生成でき、アスペクト比は 1:1、3:4、9:16、9:21、4:3、16:9、21:9、長さは 4 秒から 12 秒まで 1 秒刻みで指定できます。またフレーム画像、具体的には first_frame と last_frame をサポートしており、クリップの開始、終了、またはその両端を固定できます。このモデルにはトークン単位のコンテキスト長は公開されておらず、これは動画生成器としては想定内であり、モデルメタデータの maxOutput は 0 です。

これらの機能は、かなり特定の用途群を示しています。テキストから動画は短い概念的なクリップ、ソーシャル向けフォーマット、絵コンテのプレビューに適しており、特にアスペクト比のリストがスクエア、縦型、ワイドスクリーンの配信をカバーしているためです。画像から動画は、first_frame と last_frame と組み合わせることで、すでに静止画やキーフレームがあり、定義された視覚的な両端の間で動きを持たせたいワークフロー、たとえば商品ショットのアニメーション化や編集における 2 つのフレームの橋渡しに適合します。ネイティブの音声生成により、別途スコアを付けるのではなく、音声が出力の一部であるクリップを要求できます。4 秒から 12 秒の範囲は、このモデルが長い連続シーケンスよりも短いショットに最も適していることを意味し、解像度オプションによりプレビュー品質と最終出力品質をトレードオフできます。

これは api14 の OpenAI 互換 API を通じて、モデル id "bytedance/seedance-1-5-pro" を使って呼び出します。インターフェースが OpenAI 形式に従っているため、ゲートウェイ上の他のモデルですでに使用しているのと同じクライアントライブラリとリクエスト構造を使い、model フィールドをこの id に向けることができます。リクエストパラメータのうち、このモデルでサポートされているものとして記載されているのは frequency_penalty です。解像度、アスペクト比、長さ、first_frame、last_frame、音声生成などの生成設定は、テキストモデルで使う標準のサンプリングパラメータではなく、モデル独自のオプションを通じて公開されています。

コミットする前に、モデルが公開している内容と自分の要件を照らし合わせて確認する価値があります。公開されたトークンコンテキスト長はなく、maxOutput は 0 なので、これはテキスト補完モデルではなく、トークンベースのプロンプトやテキスト応答が必要な場所で使うべきではありません。その出力は 1 回の生成あたり 12 秒に制限されているため、より長い作品は複数のクリップから組み立てる必要があります。タスクがテキスト、画像理解、または別の非動画モダリティである場合、api14 上のそのカテゴリのモデルの方がより適しています。