2026年に入り、AI動画生成は「実験的に遊ぶ技術」から「実際に仕事で使う技術」へと一気に踏み込みました。その流れの中心にいるのが、TikTokを擁するByteDanceのAI研究部門「Seed」が開発した動画生成モデル、Seedance 2.0です。
これまでのAI動画には、登場人物の見た目が途中で変わってしまう、物理がどこかおかしい、映像と音声がずれるといった、商用では致命的な弱点がありました。Seedance 2.0は、その多くをまとめて解消したことで、公開からわずかな期間で映像制作の現場に広がっています。
4種類の素材を組み合わせ、映像を「演出」する
技術的に何が変わったのか。最大のポイントは、テキスト・画像・音声・動画という4種類の素材を同時に参照できる「統合型マルチモーダル」という設計です。1回の生成で、画像9枚・動画3本・音声3本まで、合わせて最大12点の素材を組み合わせられます。
これにより「この画像を最初のフレームにして、動きはこの動画を参考にし、セリフと音はこの音声に合わせる」といった、かなり細かい演出指示を言葉で出せるようになりました。偶然うまくいくのを待つのではなく、照明や影、カメラの動きまで作り手が能動的に「演出」できる点が、従来のツールとの大きな違いです。
映像と音声を、ひとつの流れで同時に生み出す
もうひとつの核心が、映像と音声を最初からひとつのパイプラインで同時に作る仕組みです。従来は、無音の映像を作ってから別のツールでセリフを足し、さらに口の動きを合わせる、という煩雑な後処理が欠かせませんでした。
Seedance 2.0は映像と音声を同じ土台で生成するため、口の動きと声がぴたりと合い、動作に連動した環境音まで一度に出てきます。加えて、重力や衣服の揺れ、衝突といった物理を再現するエンジンや、ドリーズームや追尾ショットのような映画的なカメラワークを指示一つで再現する機能も備わっています。
激しい動きの中でも顔が崩れにくいという安定したキャラクターの一貫性も、プロの採用を後押ししました。出力は2K相当の高解像度に対応し、長さは1本あたり15秒程度までを一度に生成できます。
使うのは「本体」ではなく、包み直したサービス
ただし、Seedance 2.0そのものはByteDanceが開発した「基盤モデル」であり、一般の作り手がそのまま触るものではありません。実際の入り口になっているのは、このモデルを使いやすく包み直したサービス群です。
ByteDance自身はCapCutや専用プラットフォームのDreaminaを通じて提供していますが、その周辺には、外部のAPIを利用してクレジット制の課金と分かりやすい画面を用意した非公式のラッパーサービスが数多く生まれています。
こうしたサービスは品質に幅があり、サポートや返金方針が不透明で評価の低いものも混じっているため、利用する際は提供元を見極める必要があります。
「毎日改善できる」——Higgsfieldという調整役
この「橋渡し役」の中でも際立った成功を収めているのが、複数の最高峰モデルをまとめて提供するHiggsfield AIです。創業者のアレックス・マシュラボフ氏は、莫大な計算資源を要する基盤モデルの開発競争にはあえて加わらず、「ワークフローの調整役（オーケストレーター）」に徹するという戦略をとりました。
彼の見立てはこうです。映像生成はテキスト生成よりもはるかに計算負荷が重いため、基盤モデルを開発する企業は製品の改良サイクルが数か月単位に長引いてしまう。
一方で、自分たちのようなワークフロー特化のプラットフォームは、利用者の反応をもとに毎日のように製品を改善できる——この反復速度の差こそが競争力の源泉だ、というわけです。
実際にHiggsfieldは、設立からおよそ9か月で年換算2億ドル規模の収益ペースに達したとされ、これはSlackやZoom、Dropboxといった企業を上回る速さでした。
マシュラボフ氏は、若い世代の受け取り方も鋭く読んでいます。いまの視聴者は、映像がAIで作られたものであること自体はすでに受け入れていて、ピクセル単位の完璧なリアリズムよりも、その映像がまとう直感的な「雰囲気」を求めている、と彼は指摘します。
皮肉なのは、その雰囲気を狙いどおりに届けるには、作り手の側にモデルへの精密な制御力が要るという点です。だからこそ、Seedance 2.0が提供するような細かなカメラ制御や演出機能に価値が生まれます。彼は、2020年代の終わりまでにSNS上の動画の多くがAIで生成され、その相当部分が自社の仕組みを通じて作られるようになる、という強気の見通しも語っています。
1分10万ドルが数百ドルへ、崩れる制作コスト
こうした効率化は、映像制作の経済そのものを揺らし始めています。放送品質の映像は、かつて1分あたり10万ドル規模のコストがかかると見積もられてきました。それが最新モデルとオーケストレーターの組み合わせによって、1分あたり数百ドルへ、桁違いに圧縮されたといいます。
実際、本来なら巨額の予算が必要な複雑なショットを、ごくわずかな費用でほぼ再現してみせた、という報告も出ています。こうしてAI動画は、試作やモックアップの段階を越え、広告クリエイティブの直接制作やストーリーボード作成といった、制作の中核を担う存在へと移りつつあります。
Sora 2・Kling 3.0との競争と、その後の変化
市場の構図にも触れておきます。2026年の初頭、AI動画の最前線では、OpenAIのSora 2やKuaishouのKling 3.0との競争が語られていました。Sora 2が物理表現の忠実さで評価を集める一方、Seedance 2.0は、先に述べたマルチモーダル入力・音声同期・カメラ制御を武器に、構造化された制作ワークフローで強みを発揮しました。
もっとも、その後の展開は速く、OpenAIは2026年春に方針を転換し、Soraのアプリ提供を終了しています。低コスト・高速の軽量モデルも各社から相次いで投入されており、「速い・安い・高品質は同時に成り立たない」という従来の常識は崩れつつあります。
権利者の反発と、欧米を外した慎重な展開
一方で、この急速な進化は、既存の権利者との激しい摩擦も生みました。約16万人のメディア関係者を代表する米国の俳優組合SAG-AFTRAは、メンバーの声や肖像が同意も対価もないまま使われているとして、Seedance 2.0を強く非難する声明を出しました。
対立は政治の場にも及び、マーシャ・ブラックバーン、ピーター・ウェルチ両上院議員は、ByteDanceのリャン・ルーボーCEOに対し、即時の停止を求める書簡を超党派で送っています。公開から24時間のうちに、実在の俳優を組み合わせた偽の映像や人気ドラマの改変動画がSNSで大量に拡散したことが、その背景にありました。
この逆風を受けて、ByteDanceはSeedance 2.0の展開に慎重な姿勢をとりました。初期の提供地域は、ブラジルやインドネシア、マレーシア、メキシコ、フィリピン、タイ、ベトナムといった国々に絞られ、訴訟リスクの大きい欧米市場は初期から外されました。
同時に、実在する人物の顔や著作権で保護されたキャラクターの生成を制限する仕組みや、生成物がAI由来であることを示すC2PAの電子透かしも導入されています。作り手の一部からは自由度が下がったという不満も出ていますが、業界との共存を探るうえでは避けられない調整だったと言えます。
ByteDanceが見据える「世界モデル」という本丸
そして見落とせないのが、ByteDanceがこのモデルの先に見据えているものです。Seedチームを率いるウー・ヨンフイ氏は、長期的な基礎研究については四半期ごとの短期目標を外し、腰を据えて取り組める環境を整えました。
その明確な狙いが「世界モデル」、つまり現実世界の仕組みそのものをAIにシミュレートさせる技術の開発です。同社は2026年末までに、Googleの先行モデルに匹敵する世界モデルを世に出すことを目標に掲げています。
さらにマルチモーダルとロボティクスを統括するジョウ・チャン氏のもとで、映像生成で培った「視覚・言語・行動」を結びつける理解力を、デジタル空間にとどめず、現実で動くロボットの頭脳へと応用しようとしています。
Seedance 2.0が磨いてきた重力や衝突の物理シミュレーションは、映像のためだけのものではなく、最終的には現実世界でロボットを安全に動かすための「練習場」としての役割も担っているのです。
民主化の先に残る、重い宿題
Seedance 2.0が示したのは、映像と音声、そして物理のシミュレーションがひとつに統合された世界です。それは、これまで巨額の予算を持つ一部の制作会社にしか手の届かなかった映像表現を、月々わずかな費用を払う個人や中小の作り手にまで開きました。
同時に、著作権や肖像権の侵害、人間の作り手の生計といった、技術的な対策だけでは解けない重い課題も浮き彫りにしています。AIで動画を作るという話は、すでに次の段階——デジタルと現実をつなぐ世界モデルの競争——へと移りつつあります。便利さの裏でこぼれ落ちるものをどう扱うのか。私たちはその答えを、これから一緒に探っていくことになりそうです。
