2026/05/07

Veo 3.1 vs Seedance 2.0：2026年の動画モデル選び

2026年はVeo 3.1とSeedance 2.0のどちらを選ぶべきか。性能、マルチショット、音声、解像度、価格を根拠のある数値で比較します。

2026年を代表する2つのテキスト動画生成モデルは、まったく異なる方向から進化しています。GoogleのVeo 3.1が重視するのは精度と解像度です。4K、開始・終了フレーム補間、商用制作向けの厳密な制御を備えます。ByteDanceのSeedance 2.0が重視するのはマルチモーダルです。1回で15秒をネイティブ音声付きで生成し、8言語のリップシンクに対応。最大9枚の画像、3本の動画、3本の音声を同時に受け取る参照パイプラインもあります。

2026年にVeo 3.1とSeedance 2.0のどちらを選ぶかは、何を納品するかで決まります。本稿では実用上の違いがある機能をすべて比較します。価格は各プロバイダーの掲載情報、機能はByteDanceとGoogleのリリース情報を根拠にしています。

TL;DR

開発元とリリース。 Veo 3.1はGoogle DeepMind製で、2025年10月からGemini APIで提供。Seedance 2.0はByteDance製で、2026年2月12日にリリースされました^[1]。
最大解像度。 Veo 3.1はワイド画角で4K（3840×2160）に対応。Seedance 2.0の上限は1080pです^[2]^[3]。
長さ。 Veo 3.1の公式ティアは4 / 6 / 8秒。Seedance 2.0は1回で4–15秒を生成でき、1本のクリップ内で複数ショットを切り替えられます^[1]。
マルチモーダル参照。 Seedance 2.0は1リクエストで最大9枚の画像 + 3本の動画 + 3本の音声を入力可能。Veo 3.1は代替ティアで最大3枚の参照画像、公式ティアで開始・終了フレームの固定に対応します^[1]。
音声。 Seedance 2.0は音声と動画をネイティブに同時生成し、リップシンク、BGM、環境音に対応。参照音声も受け取れます。Veo 3.1はGoogle直結では合成時に音声が含まれ、ゲートウェイの秒単価ティアでは任意です。
音声付き720p・5秒で最安のクリップ。 Google直結のVeo 3.1 Liteは$0.25（$0.05/s × 5s）^[3]。reAPIで参照モードを使うSeedance 2.0 Fastは約$0.43（$0.0865/s × 5s）です^[4]。
使い分け。 ヒーローショット、4K、キャラクター一貫性ならVeo。1回で作るマルチカットの絵コンテ、自然なリップシンク音声、複数モダリティの参照合成ならSeedanceです。

それぞれのモデルの出自

Veo 3.1は2025年10月にGemini APIで公開され、2026年3月31日にLite版が追加されました^[5]。GoogleのVertex AIとGemini API上で動作し、fal.ai、Replicate、OpenRouter、reAPIなど主要なAI推論ゲートウェイでも利用できます。

Seedance 2.0はByteDanceのSeed研究チームが2026年2月12日にリリースしました^[1]。ByteDanceは、テキスト、画像、音声、動画入力に対応する「統合マルチモーダル音声・動画共同生成アーキテクチャ」を備えた「次世代動画制作モデル」と説明しています^[1]。実名の著名人を描いた写実的なクリップで中国で話題になり、Disneyは学習データへの懸念から2026年2月13日にByteDanceへ停止要求書を送りました^[6]。Seedance 2.0はデフォルトでC2PA透かしを付けるため、すべての出力に来歴情報が組み込まれます。

両モデルはreAPIの同じOpenAI互換エンドポイント（POST /api/v1/videos/generations）から利用できます。リクエスト形式はほぼ同じで、主な違いはmodelの値です。

各モデルで実際にできること

機能	Veo 3.1	Seedance 2.0
テキスト動画生成	対応	対応
画像動画生成（単一参照）	対応（代替ティア、≤3枚）	対応
画像動画生成（複数参照）	最大3枚	最大9枚
開始・終了フレーム補間	対応（公式ティアのみ）	対応（`image_with_roles`フィールド）
参照動画	非対応	最大3本、合計≤15s
参照音声	非対応	最大3本、合計≤15s
音声合成	対応（付属）	対応（ネイティブ共同生成、8+言語、音素レベルのリップシンク）^[1]
1出力内のマルチショット	非対応	対応、1回の生成に複数カット^[1]
4K出力	対応（ワイド画角のみ）	非対応（上限1080p）
長さの選択肢	4 / 6 / 8s（公式）または固定8s（代替）	4–15sの任意の長さ
ネガティブプロンプト	公式ティア	未公開
Seedによる再現性	公式ティア	対応
アスペクト比	16:9、9:16	16:9、9:16、1:1、4:3、3:4、21:9、アダプティブ

最大の違いは、Seedance 2.0が1本の15秒クリップ内でマルチショットのシーケンスを生成できることです。1つのプロンプトから、自然なカットとトランジションを含む、編集済みの絵コンテのような映像が返ります^[1]。Veo 3.1にこの機能はなく、出力は1つの連続したショットです。

もう1つの大きな非対称性は参照入力です。Seedance 2.0の参照パイプライン（9枚の画像、3本の動画、3本の音声）は、細かく演出したブランド広告向けです。商品写真、スタイル参照動画、音楽トラックを渡すと、3つをまとめて構成します。Veo 3.1は代替ティアで参照画像3枚まで、公式ティアでは開始・終了フレームの固定に対応します。十分な制御はできますが、入力の幅は狭めです。

品質面での位置づけ

視覚的な忠実度、動きの滑らかさ、プロンプトとの一致、時間的一貫性をまとめた独立ベンチマークでは、Seedance 2.0がVeo 3.1を上回っています。ただし差は小さく、総合スコアよりもプロンプトと用途の影響が大きい範囲です^[2]。

それぞれが得意とする傾向は次の通りです。

Seedance 2.0が強い点：

肌の質感や表面ディテールの写実性
集団、群衆、複雑な構図など複数被写体のシーン
クレーンショットやトラッキングショットなど、物理に沿ったカメラ移動^[2]

Veo 3.1が強い点：

不気味の谷の違和感が少ない人間の顔
看板や字幕など、映像内テキストの読みやすさ
シリーズ内の複数クリップにわたるキャラクターや商品の一貫性^[2]

4–5カットで構成する30秒の商品広告で、すべてのカットの主人公を同じ人物に見せたいなら、Veo 3.1が安全です。他のクリップにつなげる必要がなく、複数の展開を持つ1本の15秒ヒーロークリップを作るなら、Seedance 2.0のマルチショット出力で、通常はVeoを4回呼ぶ工程を置き換えられます。

音声

両モデルとも音声付き動画を出力しますが、仕組みが異なります。

Veo 3.1。 Google直結では、すべての秒単価に音声が含まれます。音声を外して安くすることはできません。reAPIのFast Officialチャンネルなど、ゲートウェイの秒単価ティアでは、音声はgenerate_audioで切り替えます。Veoの音声は動画の合成時に生成され、プロンプトに基づいて環境音、音楽、声を作ります。

Seedance 2.0。 音声は互いに独立した2つの制御に分かれています。generate_audio: trueはネイティブの音声・動画共同合成を実行します。後処理ではなく、同じフォワードパスで音声トラックを生成する方式です。ByteDanceは、8+言語の音素レベルのリップシンクと2チャンネル音声出力をうたっています^[1]。一方、audio_urlsには最大3本の参照音声を指定でき、モデルがそれに合わせます。音楽トラックを入れれば、生成動画の動きがリズムに合います。

リップシンクした会話では、Seedance 2.0に明確なアーキテクチャ上の利点があります。映画的な場面の環境音では両者は同等です。Veo 3.1の音質は堅実で、コストを細かく最適化しないならデフォルト付属は便利です。

料金の計算

秒単価はティア、解像度、音声設定で変わります。以下は2026年5月時点で、各プロバイダーから音声付き720p・5秒のクリップを最安で生成する料金です。

プロバイダー	モデル	ティア	音声付き5s 720p
Google Gemini API	Veo 3.1 Lite	n/a	$0.25^[3]
Google Gemini API	Veo 3.1 Fast	n/a	$0.50^[3]
Google Gemini API	Veo 3.1 Standard	n/a	$2.00^[3]
reAPI	Veo 3.1 Fast Official	秒単価	$0.69^[7]
reAPI	Seedance 2.0（テキスト）	秒単価	$0.90^[4]
reAPI	Seedance 2.0 Fast（テキスト）	秒単価	$0.72^[4]
reAPI	Seedance 2.0 Fast（参照）	秒単価	$0.43^[4]
fal.ai	Seedance 2.0 Standard	秒単価	$1.52^[2]
fal.ai	Seedance 2.0 Fast	秒単価	$1.21^[2]

Seedance 2.0の料金には注意すべき特徴があります。参照モードは、image_urls、video_urls、audio_urlsのいずれかが設定されていれば、テキストモードより秒単価が安くなります^[4]。常に1枚以上の参照画像を入れるワークフローなら、実質コストは約35%下がります。

音声付き720pでVeo 3.1を最安利用するなら、Google直結のLiteティアが$0.05/sで明確に有利です。確認できるSeedance 2.0の最安料金は、reAPIの参照モードを使うFast版の$0.04/s。fal.aiの全料金を下回り、Veo Liteと近い水準です。Seedanceの制約は、上限720pで4Kがないことです。

実運用で選ぶVeo 3.1 vs Seedance 2.0

判断基準は大きく2つです。

Veo 3.1を選ぶ場面：

4K出力が必要（Seedanceの上限は1080p）
単一クリップの驚きより、複数クリップ間のキャラクターや商品の一貫性が重要
開始・終了フレーム固定や、続編を連結するワークフローを使う
低価格ティアが重要（Veo Liteの$0.05/sは、音声付きで確認できる最安料金）
ヒーローショット、広告、Googleの品質管理を経た顔の描写が重要な制作

Seedance 2.0を選ぶ場面：

1本の15秒マルチショット出力で、4本のVeoクリップをつなぐ工程を置き換えられる
英語以外のリップシンク会話が必要
商品画像 + スタイル動画 + 音楽トラックのように、複数の参照モダリティを入力する
21:9のシネマ超横長や標準外のアスペクト比が必要
肌の質感と物理に沿った動きが譲れない

どちらか一方が常に優れているわけではありません。出力仕様が決まって初めて、Veo 3.1とSeedance 2.0の答えが出ます。

FAQ

Seedance 2.0は無料で使えますか？

APIでは無料ではありません。Seedance 2.0を提供するfal.ai、Replicate、reAPI、Volcengine直結のすべてで有料ティアです。ByteDanceの一般向け製品DreaminaとCapCutには、エンドユーザー向けの無料Seedance 2.0枠がありますが、APIからは利用できません。

Veo 3.1はマルチショットを出力できますか？

いいえ。Veo 3.1は1つの連続ショットを生成します。複数ショットにするには、別々に生成して後から編集するか、Veo 3.1の開始・終了フレーム補間で短い映像を連結します。Seedance 2.0は1本の15秒クリップ内でマルチショットのシーケンスをネイティブ生成します^[1]。

実在の人物をうまく扱えるのはどちらですか？

両方にポリシーがあります。Google直結のVeo 3.1公式ティアにはperson_generation列挙型があり、値はallow_adultとdisallowです。Seedance 2.0には、対応プラットフォームで顔向けの専用版（-face、-fast-face）があります。識別可能な実在人物の参照素材を顔非対応版へアップロードすると、上流で拒否されます。2026年は両モデルともデフォルトでC2PA透かしを追加します。

Seedance 2.0で参照動画と参照音声を同時に使えますか？

はい。これが代表的な用途です。prompt + image_urls + video_urls + audio_urlsをすべて指定したリクエストを送ると、3つのモダリティを組み合わせて生成します。参照動画の合計は15秒、参照音声の合計も15秒が上限です^[8]。

Veo 3.1は21:9のアスペクト比に対応しますか？

いいえ。Veo 3.1は16:9と9:16だけです。Seedance 2.0は16:9、9:16、1:1、4:3、3:4、21:9と、入力比率に合わせるアダプティブに対応します^[8]。

Seedance 2.0とハリウッドIPの問題は？

注意すべき現実的なリスクです。Disneyは、Seedance 2.0が許可なくDisney作品で学習されたとの主張をめぐり、2026年2月13日にByteDanceへ停止要求書を送りました^[6]。権利を持たない特定の映画、キャラクター、スタジオの作風を指定するプロンプトは避けてください。Seedance 2.0の出力ではC2PA透かしがデフォルトで有効なため、派生作品にも来歴情報が引き継がれます。

エンドツーエンドで速いのはどちらですか？

同程度です。Standardティアでは、8秒の1080pクリップに両方とも60–180秒かかります。どちらのFast版も、品質との引き換えに約30–40%短縮します。実時間を左右する主因はモデル固有の速度ではなく、基盤プロバイダーのキューの深さです。

1か所のコード変更で切り替えられますか？

reAPIなら可能です。両方とも同じ形式でPOST /api/v1/videos/generationsを使います。Veo 3.1からSeedance 2.0へ切り替えるには、"model": "veo3.1-fast"を"model": "doubao-seedance-2.0"に変更し、適用されないフィールドを調整します。Veoのaspect_ratioはSeedanceのsize、Veoのfirst_frame_imageはSeedanceのimage_with_roles[].role: "first_frame"に対応します。

結局どちらの動画モデルが勝つのか

2026年の大半の製品ワークロードでは、Veo 3.1とSeedance 2.0の答えは「役割を分けて両方使う」です。Veo 3.1は低価格ティアと4K解像度、Seedance 2.0はマルチショット、マルチモーダル、リップシンクを担当します。一般的な実運用パイプラインでは、両方を1つのOpenAI互換エンドポイントの背後に置き、必要な出力に応じてリクエストごとに振り分けます。

すべてを1つで済ませるなら、有料顧客に見せる成果物ではVeo 3.1を選びます。商用では、Googleによる顔の品質管理、キャラクター一貫性、最大解像度のほうが、Seedance 2.0のマルチショット機能より重要です。大量の下書き、ソーシャル向けのクリエイティブ、ネイティブな音声・動画共同生成を生かせる用途ならSeedance 2.0が勝ちます。

Veo 3.1とSeedance 2.0の違いは、ワークフローが単一のヒーロークリップを作るのか（Veo）、複数展開を持つ1本の動画を作るのか（Seedance）に集約されます。ランキングの点数ではなく、出力仕様に合うモデルを選んでください。

参考資料

ByteDance Seed。Seedance 2.0公式リリース。 2026年2月12日。seed.bytedance.com/en/blog/official-launch-of-seedance-2-0
fal.ai。Seedance 2.0 vs Veo 3.1：違いは何か？ 2026年5月参照。fal.ai/learn/tools/seedance-2-0-vs-veo-3-1
Google。Gemini API料金 — ティア・解像度別Veo 3.1秒単価。 2026年5月にai.google.dev/gemini-api/docs/pricingから参照
reAPI。Seedance 2.0 — モデルページ（最新料金）。 2026年5月にreapi.ai/models/seedance-2-0から参照
Google。最もコスト効率の高い動画生成モデルVeo 3.1 Liteで開発する。 The Keyword（Googleブログ）、2026年3月31日。blog.google/innovation-and-ai/technology/ai/veo-3-1-lite
Wikipedia contributors。Seedance 2.0。 2026年5月にen.wikipedia.org/wiki/Seedance_2.0から参照
reAPI。Veo 3.1 — モデルページ（最新料金）。 2026年5月にreapi.ai/models/veo3-1から参照
reAPI。Seedance 2.0 — APIリファレンス。 2026年5月にreapi.ai/docs/seedance-2-0から参照

ByteDance Seed。Seedance 2.0製品ページ。 seed.bytedance.com/en/seedance2_0
Hugging Face。Seedance 2.0：複雑な世界に対応する動画生成の進歩（論文）。 huggingface.co/papers/2604.14148
TechCrunch。ByteDanceの新しいAI動画生成モデルDreamina Seedance 2.0がCapCutに登場。 2026年3月26日。techcrunch.com/2026/03/26/bytedances-new-ai-video-generation-model-dreamina-seedance-2-0-comes-to-capcut
reAPI。2026年に最も安いVeo 3.1 API。 reapi.ai/blog/cheapest-veo-3-1-api-2026