AI動画 ワークフロー

AI動画を「1本ずつ生成する」のをやめる — Topview Canvas × Seedance 2.5

AI動画は作れる。でも1本のCMにまとめようとすると途端に詰まる。15秒ずつしか作れず、商品の見た目は毎回変わり、1カット失敗すれば全部作り直し。この3つが、いま何で解けるのか。実際に手を動かして確かめた記録です。

サムネイル案
サムネイル案

そもそも、AI動画生成は何が難しいのか

AI動画生成そのものは、もう珍しくない。プロンプトを書けば数十秒で映像が出てくるし、絵の綺麗さだけなら実写と見分けがつかないものも増えた。

詰まるのはその先だ。「なんとなく綺麗な5秒」を作るのは簡単でも、目的のある1本にまとめるとなると、まったく別の壁が現れる。

実際に「商品のCMを30秒つくる」と決めた瞬間、次の3つが同時に襲ってくる。

1本ずつ生成すると詰まる3つの理由
1本ずつ生成すると詰まる3つの理由

この3つは、モデルの絵がどれだけ綺麗になっても消えない。作り方の問題だからだ。だから解き方も、モデルではなく作り方の側にある。

Seedance 2.5 で、2つの壁が外れた

ByteDanceが2026年7月31日に正式リリースした Seedance 2.5 は、上の3つのうち長さと一貫性に直接効く。

Seedance 2.0 から 2.5 で外れた2つの上限
Seedance 2.0 から 2.5 で外れた2つの上限

ひと続きで作れる長さが15秒から30秒になった。これは単に倍になったという話ではない。30秒あれば、カットを一度も割らずにカメラワークだけで場面を繋げる。繋ぎ目そのものが存在しなくなる。

参照できる素材が最大50点になった。画像30枚・動画10本・音声10本を1回のリクエストに混ぜられる。前の世代は画像9枚・クリップ3本だったので、商品の見た目を保つには足りなかった。50点あれば、正面・斜め・寄り・質感の参照をまとめて渡せる。

出典:https://seed.bytedance.com/en/seedance2_5

Topview Canvas は「動画版の Claude Code」に近い

モデル側の上限が外れても、3つ目の壁(やり直しのコスト)は道具の側で解く必要がある。ここで出てくるのが Topview Canvas だ。

これは単発の生成ツールではなく、無限に広がる作業台(キャンバス)の上に置かれた動画エージェントだ。商品や台本や画像を渡すと、ストーリーボードの設計から素材の生成・整理、動画化までをエージェントが順にこなす。そしてどの工程もキャンバス上で自分で編集できる。全部任せてもいいし、1工程ずつ手で触ってもいい。

そしてこの「動画版のClaude Code」という比喩は、実際に触ってみると比喩ではなかった。

同じ仕組みで、正反対のものを作る
同じ仕組みで、正反対のものを作る

この最後の点は、実際にスキルを登録しようとして確信に変わった。本文だけを貼ったら 「SKILL.mdにはnameとdescriptionを含むfrontmatterが必要です」と弾かれたのだ。つまり、ただのメモ欄ではなく形式が決まったファイルとして検証されている。コーディングエージェントのスキルと、仕組みそのものが同じだった。

スキルの実体はこういうファイル

冒頭に --- で囲んだ frontmatter(namedescription)を置き、その下に Markdown で中身を書く。これが受け付けられる唯一の形式だ。

---
name: Summer Youth CM (One-Shot, Ambient Only)
description: Reusable creative guidance for 30-second one-shot product commercials.
---

# 夏の青春CM(ワンショット・環境音のみ)

## Instructions
…

詰まりやすいのはdescription を改行してしまうところ。YAMLとして壊れるので1行で書く。--- の上に空行を入れるのも通らない。

商品の写真1枚から、CMになるまで

実際の流れはこうなる。題材は生成した架空の炭酸飲料にした。実在商品を使わないので、ラベルや商標の問題が起きない。

商品1枚からCMになるまでの5工程
商品1枚からCMになるまでの5工程

作るのはセリフもナレーションもない、夏の青春CM。誰もいない教室、揺れるカーテン、汗ばんだ首筋、そして開栓。音は蝉の声と遠くの吹奏楽と風だけ。

この題材を選んだのには理由がある。炭酸の気泡・結露・開栓の白い霧は、動画生成AIが最も苦手とする物理表現だ。ここが破綻していなければ「本当に上手い」の証明になるし、崩れれば正直にそう言える。逃げ場のない題材をわざと選んでいる。

工程③がこの記事のいちばんの山

5つの場面のうち1つだけ気に入らないとき、その区間だけを作り直せる。前後は1フレームも変わらない。つまり1場面のために30秒ぶんを払い直さなくて済む。

実務でいちばん効くのはここだ。クライアント修正はたいてい1箇所しかない。それで毎回全部作り直していたのが、これまでの当たり前だった。

そして最後にもうひとつある。うまくいった流れは、そのまま「型」として保存できる。保存の仕方は2通りで、会話を要約させて自動でスキル化するか、自分で SKILL.md を書いて登録するか。前者は速いが、後者は「何を固定して何を商品ごとに変えるか」を自分で決められる。

型に書いておくべきこと

商品を差し替えても崩れない型にするには、変えてよいものと変えてはいけないものを分けて書くのが要点だった。

変えてよい:置かれている場所、手の動き、光の当たり方の細部
変えてはいけない:5場面の割り方、カメラワークの順番と高さの変化、夏の夕方の色のトーン、逆光の使い方、最後の3秒の余白の構図

この線引きを書いておくと、飲料からタオルのような別カテゴリの商品に当てても同じトーンの30秒が出てくる。

同じ仕組みで、正反対のものも作れるか

ここまでは商品CM——静かで、情緒的で、カットを一度も割らない30秒だ。しかしそれだけなら「そういう道具」で終わってしまう。

そこで2本目に、まったく逆のものをぶつけた。SF映画の30秒予告編。カット割りが前提で、激しく、スケールが要る。1本目とは負荷のかかる場所が違う。

1本目(商品CM)2本目(SF予告)
尺の作りワンショット30秒カット割り前提
動き静か・情緒・「間」激しい・スケール・音圧
難所気泡・結露・開栓の物理群衆・破壊・巨大物のスケール感
蝉の声と風だけ最後の2秒だけ無音にする

予告編の骨格は、カットの長さで決まる

予告編には文法がある。静けさ → 気づき → 衝撃 → 展開 → 主人公 → 正体 → 決意 → 引き。これを30秒に圧縮するとき、効くのは内容よりもカットの長さの推移だった。

4秒  静けさ    誰もいない日常。予兆だけが遠くから届く
4秒  気づき    人々が同じ方向を見上げる。まだ恐怖ではない
4秒  衝撃      破壊が始まる。逃げる人々の中を横移動
4秒  展開      立ち向かう側が現れる。隊列の間を前進
4秒  主人公    正面で固定。短く指示を出し、顔を上げる
5秒  正体      超ローアングルから見上げる。収まりきらない
3秒  決意      動き出す。背後で爆発。スローモーション
2秒  引き      目元の超クローズアップ。固定。下半分を空ける

後半に向かってカットが短くなる。4秒が続いたあと 5 → 3 → 2 と詰まっていく。これだけでテンポが上がって見える。

巨大なものを撮るときに、一番失敗するところ

実際にやってみると、破壊でも群衆でもなく巨大な対象のスケール感が一番難しい。大きく描いてもらうだけでは、大きく見えない。効くのは次の5つだった。

検証したいのは1点だけ。1回の生成でカットを何回まで割れるか。もしここが破綻するなら、答えは「予告編は複数生成してタイムラインで繋ぐのが正解」になる。それはそれで、タイムラインを使う理由の実演になる。どちらに転んでも答えは出る

そしてこの2本は、どちらも「型」として保存できる。並べてみると、同じ骨格の中で何を反転させているのかがはっきりする。

型に書く項目夏の青春CMSF映画の予告
カットの数0回(割らない)8回割る
カットの長さ6 / 7 / 7 / 7 / 3 秒4/4/4/4/4/5/3/2 秒(後半ほど短く
カメラの動き30秒間ずっと動き、最後だけ止まるカットごとに切り替え、最後だけ完全固定
西日のオレンジ/影に青み夜の青と橙のコントラスト
蝉と風だけ。薄く保つ20秒から厚くなり、最後の2秒は無音
最後の余白画面の右下画面の下半分

面白いのは、「変えてはいけないもの」を書いておくと型が壊れないという点だ。青春CMなら5場面の割り方とカメラワークの順番、予告編なら8カットの骨格と最後の無音。そこさえ固定しておけば、商品や題材を差し替えても同じ手触りのものが出てくる。

この型も、そのまま登録できる

予告編の型も同じ形式のファイルにしておける。冒頭の frontmatter だけ差し替えれば、青春CMの型と並べて持っておける。

---
name: SF Movie Trailer (Multi-Cut, 30s)
description: Reusable creative guidance for 30-second science fiction
  movie trailers built from multiple cuts, with an escalating sound
  design and a silent final beat.
---

# SF映画の30秒予告編(カット割り・最後だけ無音)

## Instructions
…

※ 上は読みやすさのために description を折り返して見せているが、実際に貼るときは1行で書く。改行するとYAMLとして壊れる。

30秒つくると、いくらかかるか

コストは、モデルを素で使った場合と比べると分かりやすい。

30秒つくるといくらか/そして任せきりにすると何が起きるか
30秒つくるといくらか/そして任せきりにすると何が起きるか
720p・30秒あたり
Seedance 2.5 を公式APIで素に使う($0.21/秒)$6.30
Topview Ultra 年間プラン($600/年=$50/月)$3.60($0.12/秒)

さらに Ultra 年間プランは Seedance 2.5 が60日間 使い放題、Wan 3.0・MiniMax H3・GPT Image 2 は365日間 無制限という条件がついている。作る本数が増えるほど、素で使うより差が開いていく形だ。

ただし、任せきりにすると静かに減る

実際に触ってみて分かったことがある。動画も画像も1枚も生成していない段階で、90クレジットが消えた。エージェントが「まだ生成しないで」と伝えた先まで自分で進み、構成を決め、素材の定義まで作っていたためだ。

しかも画面に出るその回の消費表示と、実際に減った量が合わない。頼れるのは残高の数字そのものだけだった。速いのは確かだが、止めどころは自分で握る必要がある

出典:https://www.byteplus.com/en/product/seedance

この回で実際に投げるプロンプト(全文)

この記事で実際に投げたプロンプトを、省略せず全文で載せています。差し替えるのは【】でくくった商品名だけ。そのままコピーして使えます。デモ⑦以降は2本目のSF予告編用です。

デモ① 商品を渡すだけで構成ができる
【透明な瓶に入った、淡い水色の炭酸飲料(金色の王冠のフタ)】の30秒CMを作りたい。
添付した商品画像を見て、まず構成から一緒に考えてほしい。

方向性:夏の夕方の、青春もののCM。日本の学生向け清涼グッズの広告のトーン。
セリフもナレーションも使わず、風景と表情と「間」だけで気持ちを見せる。

条件:
- 主人公は大学生(20歳前後・日本人)。私服の白い半袖シャツ。制服は着せない
- 舞台は夏の夕方。教室・グラウンド・窓・カーテン・逆光を使う
- 売りは「汗をかいたあとの、最初のひと口」。成分やカロリーの数字は出さない
- 炭酸であることが伝わるように、気泡・結露・開栓の瞬間をどこかに必ず入れる
- ナレーションとBGMは入れない。蝉の声、遠くの吹奏楽、風の音だけで見せる
- 画面に文字・ロゴ・字幕は一切出さない
- 最後の3秒は、右下に大きく余白を空けた引きの構図で終わる(あとでロゴを置くため)

まず、30秒を5つの場面に割った構成案を3パターン出して。
それぞれ「何が映っているか」と「なぜその順番か」を1行ずつで説明して。
まだ生成はしないで。
デモ② Seedance 2.5で30秒を一発生成
30秒のワンショットCM。カットを割らず、カメラワークだけで場面を繋ぐ。

0-6秒:夏の夕方、誰もいない大学の教室。開いた窓から風が入り、白いカーテンが大きく膨らむ。窓際の机の上に【透明な瓶に入った、淡い水色の炭酸飲料(金色の王冠のフタ)】が置かれている。瓶の表面は結露していて、水滴が一粒、ゆっくり側面を伝って落ちる。カメラは机と同じ高さの真横から、ゆっくり前進(ドリーイン)。西日がオレンジ色で、瓶の中の液体が逆光で透けて光る。
6-13秒:カーテンが戻り、窓の外のグラウンドが見える。部活を終えた学生たちが遠くを歩いている。カメラは前進しながら上昇し、窓枠越しの構図になる。逆光でレンズフレアが伸びる。
13-20秒:教室に一人だけ残っている大学生(20歳前後・日本人・私服の白い半袖シャツ・短髪)が、汗ばんだ首筋を手の甲で拭い、机の瓶を手に取る。カメラは横顔のミディアムショット。逆光で輪郭だけが白く光っている。
20-27秒:親指で王冠の栓を押し上げて開ける。開いた瞬間、瓶口から白い霧がふわっと立ち上り、中の気泡が一気に瓶口まで駆け上がって、あふれる寸前で止まる。人物が瓶を口に運び、ひと口だけ飲む。喉が一度動く。カメラは手元から顔へゆっくり寄る。
27-30秒:人物が瓶を口から離し、目を閉じて短く息を吐く。カメラが後退し、窓辺に立つ人物の引きの構図へ。画面右下に大きく余白を空けた構図で静止して終わる。

映像トーン:実写のCM品質。シネマティック、浅い被写界深度、強い逆光とレンズフレア。オレンジと白を基調に、影は青みを残す。夏の空気感。
撮影:35mmシネマレンズ相当、f2.0、手持ちの微細な揺れを残す。
音:環境音のみ。蝉の声、遠くの吹奏楽部の練習、風、栓が開くプシュッという音、炭酸のはじける細かい音。BGMとナレーションは入れない。
禁止:画面に文字・ロゴ・字幕・ウォーターマークを一切出さない。瓶のラベルに文字を書かない。制服を着せない。人物の顔を正面のアップで映さない。指を6本にしない。
デモ③ Clip Editで失敗した1カットだけ直す
20〜27秒の区間だけを修正する。

変更点:栓を開けたあと、瓶から泡があふれ出さないようにする。気泡は瓶口まで上がってきて、あふれる寸前でぴたりと止まる。手はびしょ濡れにしない。指は5本、爪は短く整った状態にする。

維持するもの:親指で栓を押し上げる動作、白い霧が立ち上るタイミング、手元から顔へ寄るカメラワーク、逆光と輪郭の光り方、瓶の形と結露、前後の区間とのつながり。

20秒より前と27秒より後には、一切変更を加えない。
デモ④ 同じワークフローからフック違いを複数出す
いま作った30秒CMのワークフローはそのままで、冒頭5秒のフックだけを差し替えて3本出力して。

バリエーションA(音から入る)
0-5秒=真っ白に飛んだ画面から始まり、蝉の声だけが響く。ゆっくり露出が戻ると、無人の教室と揺れる白いカーテンが現れる。

バリエーションB(気泡だけを見せる)
0-5秒=瓶の中の超クローズアップから始める。画面いっぱいに淡い水色の液体と、下から上がってくる気泡だけ。カメラがゆっくり引くと、机の上の瓶と教室が現れる。

バリエーションC(他人の視点から始める)
0-5秒=廊下から、開いた扉越しに教室の中を覗く構図。手前の扉の枠がボケて、奥にいる人物にゆっくりピントが合っていく。

6秒目以降は3本とも共通の映像を使い回して。
禁止:画面に文字・ロゴ・字幕を出さない。制服を着せない。
デモ⑦ まったく別ジャンルでも同じ仕組みが回るか
実写のSF大作映画の30秒予告編。カットを割って構成する。

0-4秒:夜の交差点。誰もいない。信号機だけが点滅している。アスファルトに水たまり。
    カメラは低い位置で固定。遠くから低い地鳴りが近づいてくる。水たまりの水面が細かく震える。
4-8秒:カット。人々が空を見上げている。表情は恐怖ではなく、まだ理解が追いついていない顔。
    カメラは人々の後ろから、彼らの視線の先へゆっくりティルトアップ。
    厚い雲が渦を巻き、その奥に山のように巨大な影が沈んでいる。輪郭だけが見える。
8-12秒:カット。閃光。高層ビルのガラスが上階から順に一斉に砕け散る。
    カメラは通りのレベルで、砕けたガラスが降ってくる中を横移動(トラッキング)。人々が走って逃げる。
12-16秒:カット。瓦礫の街路に展開する装甲車とヘリコプター。
    部隊の兵士たちが銃を構えている。制服は無地の暗いグレーで、記章や国旗は付いていない。
    カメラは兵士たちの間を縫うように前進する。
16-20秒:カット。主人公(30代の日本人女性、短く結んだ髪、煤で汚れた顔、無地のグレーの制服)が
    通信機で短く指示を出し、顔を上げる。カメラは主人公の正面のミディアムショットで固定。
20-25秒:カット。瓦礫の山が内側から崩れ、金属の巨大な機械兵がゆっくり立ち上がる。
    カメラは地面すれすれの超ローアングルから見上げる。機械兵の全高がフレームに収まりきらない。
25-28秒:カット。主人公が走り出す。背後で爆発。スローモーション。
    カメラは主人公と並走し、爆炎が画面の奥から迫る。
28-30秒:カット。暗い画面。主人公の目元だけの超クローズアップ。瞳に炎が映っている。
    カメラは固定。画面の下半分を大きく暗く空けたまま静止して終わる。

映像トーン:実写の大作映画。夜、青と橙のコントラスト。粒子感を残す。
      被写界深度は浅めだが、巨大な対象が出るカットだけ深く。
撮影:アナモルフィックレンズ相当の横長。手持ちの揺れを残す(ただし28-30秒だけ完全固定)。
音:低い地鳴り、金属の軋み、ガラスが砕ける音、ヘリのローター、遠い爆発音。
  20秒過ぎから音が厚くなり、最後の2秒だけ完全に無音にする。BGMとナレーションは入れない。
禁止:画面に文字・ロゴ・字幕・ウォーターマークを一切出さない。
   実在の国名・国旗・軍の記章を出さない。血・負傷者・遺体を映さない。指を6本にしない。
デモ⑦-B 予備 ワンショット版のSF予告
実写のSF大作映画の30秒。カットを一度も割らず、カメラワークだけで繋ぐ長回し。

0-5秒:夜の交差点。誰もいない。信号機だけが点滅し、アスファルトの水たまりが細かく震えている。
    カメラは水たまりのすぐ上、地面すれすれの高さから、ゆっくり前進する。
5-11秒:カメラがそのまま上昇しながら反転し、空を見上げる人々の背中越しの構図になる。
    厚い雲が渦を巻き、その奥に山のように巨大な影が沈んでいる。輪郭だけが見える。
11-17秒:閃光。カメラは上昇をやめ、通りのレベルまで一気に下降しながら横へ流れる。
    高層ビルのガラスが上階から順に砕け、降ってくる中を人々が走って逃げていく。
17-23秒:カメラは逃げる人の流れに逆らって前進し続け、瓦礫の街路に展開した装甲車の間を抜ける。
    部隊の兵士たちが銃を構えている。制服は無地の暗いグレーで、記章や国旗は付いていない。
    その先に主人公(30代の日本人女性、短く結んだ髪、煤で汚れた顔、無地のグレーの制服)がいる。
23-28秒:カメラは主人公の横で止まり、主人公の視線を追って、地面すれすれの超ローアングルへ下降する。
    瓦礫の山が内側から崩れ、金属の巨大な機械兵がゆっくり立ち上がる。全高はフレームに収まりきらない。
28-30秒:カメラが主人公の顔へ寄り、目元の超クローズアップで静止する。瞳に炎が映っている。
    画面の下半分を大きく暗く空けたまま終わる。

映像トーン:実写の大作映画。夜、青と橙のコントラスト。粒子感を残す。浅い被写界深度。
撮影:アナモルフィックレンズ相当の横長。カメラは30秒間一度も止まらず動き続ける
   (ただし23秒の下降のあと、28-30秒だけ完全固定)。手持ちの揺れを残す。
音:低い地鳴り、金属の軋み、ガラスが砕ける音、ヘリのローター、遠い爆発音。
  17秒過ぎから音が厚くなり、最後の2秒だけ完全に無音にする。BGMとナレーションは入れない。
禁止:画面に文字・ロゴ・字幕・ウォーターマークを一切出さない。
   実在の国名・国旗・軍の記章を出さない。血・負傷者・遺体を映さない。指を6本にしない。
デモ⑦-C 予備 エージェントに構成から相談する版
SF映画の30秒予告編を作りたい。まず構成から一緒に考えてほしい。

設定:地球に突然現れた巨大な機械の異星兵器と、それに立ち向かう部隊の話。
   舞台は夜の都市。主人公は部隊の指揮官(30代の日本人女性)。

条件:
- 予告編の文法で作る。静けさ → 異変 → 衝撃 → 展開 → クライマックス → 引きの1カット
- セリフとナレーションは入れない。音と映像だけで見せる
- 実在の国名・国旗・軍の記章は出さない。制服は無地の暗いグレー
- 血・負傷者・遺体は映さない
- 画面に文字・ロゴ・字幕は一切出さない
- 最後の2秒は画面の下半分を大きく暗く空けて終わる(あとでタイトルを置くため)
- 音は低い地鳴り・金属の軋み・ガラス・ヘリ・遠い爆発。最後の2秒だけ完全に無音

まず、30秒を6つのカットに割った構成案を2パターン出して。
それぞれ「何が映っているか」と「そのカットのカメラワーク」を1行ずつで説明して。
まだ生成はしないで。
デモ⑤ Skillとして保存して次の商品へ再適用
いまのワークフローを「夏の青春CM(環境音のみ・セリフなし・文字なし)」という名前でSkillとして保存して。

保存したら、添付した【別の商品:白いスポーツタオル】にそのSkillを適用して、
同じ構成・同じ映像トーンのまま、商品だけ差し替えた30秒CMを作って。

商品に合わせて変えてよいもの:置かれている場所、人物の手の動き、光の当たり方、商品を使う動作。
変えてはいけないもの:5場面の割り方、カメラワークの順番、夏の夕方の色のトーン、逆光の使い方、最後の3秒の余白の構図。
禁止:画面に文字・ロゴ・字幕を出さない。制服を着せない。
デモ⑥ Topview内のモデル比較
夏の夜、自動販売機の前。周りは暗く、自販機の白い光だけが手元を照らしている。
【透明な瓶に入った、淡い水色の炭酸飲料(金色の王冠のフタ)】を持った手のクローズアップから始まる。瓶は結露していて、水滴が何粒か側面を伝って落ちる。
親指が王冠の栓を押し上げ、栓が外れる。
開いた瞬間、瓶口から白い霧がふわっと立ち上り、中の気泡が一気に瓶口まで駆け上がってきて、
あふれる寸前でぴたりと止まる。
カメラは手元から動かず、瓶口の超クローズアップのまま。最後に霧が消えて静止する。

映像トーン:夏の夜。自販機の白い光と背景の濃紺のコントラスト。浅い被写界深度、実写のCM品質。
尺:10秒。
音:蝉の声、自販機のモーター音、栓が開くプシュッという音、炭酸のはじける細かい音。
禁止:画面に文字・ロゴ・字幕を出さない。瓶のラベルに文字を書かない。指を6本にしない。

出典