FastFrames Video Generation と Seedance 2.5 を比較するヒーローカード。左のカードには「81フレーム、5.06秒」「832x480、無音」「1フレームあたり36 ms」、右のカードには「1回の実行で30秒」「画像参照30件、動画参照10件」「トークン従量制」と表示され、右下に OrcaRouter のロゴが配置されている。
Engineering & Research

FastFrames動画生成 vs Seedance 2.5:30秒対81フレーム

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

30秒のブリーフと81フレームの予算は、同じ問いに対する2つの異なる答えであり、その問いは「どれだけ速いか」ではない。Seedance 2.5は、ByteDanceが2026年7月31日に投入した長尺向けの製品で、1回の実行で30秒を生成し、ターンを重ねてそれを超えて延長できる。最大30枚の画像参照、10本の動画参照、10個の音声クリップをコンテキストとして読み込む。FastFrames Video Generationは、AppleがCornellと共同で11月16日にリリースしたもので、832×480、毎秒16フレームで81フレーム——5.06秒分——を、1台のB200上で約2.9秒の実時間で生成し、いかなる種類の参照入力も一切使わない。カットをまたいで演技を保とうとする監督を一度でも見たことがあるなら、その2つの数字のうちどちらがより難しい工学上の問題で、どちらがより難しいスケジューリング上の問題かはもう分かるだろう。このページが扱うのは後者だ。なぜなら、予算を決めるのはそちらだからだ。

2つのメータリング哲学、そしてどちらも価格表ではない

まず各モデルの課金方式から始めましょう。単位は換算できないため、そうでないかのように装う比較はすべて、カテゴリー錯誤に対する算術にすぎません。

• Seedance 2.5 — ByteDance が公式料金表に基づきビデオトークン単位で課金する方式。料金表は中国では Volcano Engine Ark、海外では BytePlus ModelArk を通じて公開されています。クリップの料金は解像度、尺、実際のトークン使用量によって決まるため、1秒あたりの料金は特定の解像度と尺の場合にのみ有効です。失敗したテイクも成功したテイクと同じように課金されます。

• Seedance 2.5のサードパーティホスト — 各社が独自のマージンを上乗せし、独自の秒単位またはクリップ単位の料金を公表しています。そのため、十数のページが十数の数字を示し、そのどれもがベンダー自身の料金ではありません。

• FastFrames — メーターなし。GPUは購入する。1.3BモデルならB200を1台、14Bでインタラクティブに保つなら8台。失敗した生成も成功した生成と同じ秒数を消費し、どちらも出力あたりのドルではなく電気で測られる。

{{1}}唯一の独立したデータポイント{{/1}} — Artificial Analysisは、テキスト・トゥ・ビデオのボードでDreamina Seedance 2.5を1分あたり34.12ドル、編集で40.82ドルと記録しています(2026年10月8日時点)。この列は、モデルのデフォルト設定で1080p出力を1分生成するコストであり、Seedance 2.5は、その料金表が価格を設定している、より長くより重い構成をデフォルトとしています。桁感をつかむために使い、予算項目には使わないでください。

つまり、正直に言えば、これらのモデルの一方は外部からは予測できない料金を伴い、もう一方には料金がまったく存在しないということだ。FastFramesの予測不能性はあなた側の勘定にあり——どれだけGPU時間を消費したかは自分で把握できる——が、Seedance 2.5のそれはベンダー側の勘定にある。トークン数は、モデルがあなたのプロンプトに対してトークンをどう使うかを選ぶことにかかっているからだ。この二つで言えば、計画を立てる上でより危険なのは後者だ。

参照予算で実際に何が買えるか

公表されているリファレンス数値は仕様競争のように読めるが、実のところそれは能力の主張にほかならない。

• 画像 — Seedance 2.5 は最大30枚まで受け付けますが、FastFrames はゼロです。FastFrames には画像コンディショニングのパスがまったく存在しません。

• Video — 参照として最大10クリップ。モデルの用途を変えるのはこれです。動き、テンポ、既存映像から得たカメラの挙動を含む参照セットは、外観だけを伝える参照セットとは別物です。

• 音声 — 最大10クリップ。Seedance 2.5 は音声付きで生成しますが、FastFrames は無音であり、リリースされた構成には音声パスがありません。

• プロンプトの長さ — Seedance について、このレベルの具体性で問題になるような公表された上限はありません。FastFrames はテキストプロンプトとシードを受け取り、その81フレームのウィンドウは、シーンではなく一つの連続したショットを記述することを意味します。

映像リファレンスを使った30秒は、演出できるショットだ。プロンプトから得た81フレームは、サンプルできるショットだ。どちらも正当な制作手法であり、同じ仕事ではない。そして、リファレンスに割ける予算こそが、両者を単なる品質の階層ではなく別の仕事にしている。

A two-column scoreboard comparing FastFrames and Seedance 2.5 across six dimensions: single-run length 81 frames against 30 seconds, image references none against up to 30, video references none against up to 10, audio none against generated with up to 10 audio references, resolution 832x480 against 480p and 720p on third-party hosts, and price GPU time you supply against token-metered billing.

なぜ5秒のウィンドウは見た目ほど制約ではないのか

5秒は30秒と並べると失格級に聞こえるが、それが見かけほど悪くないのはアーキテクチャのおかげであり、同時に、より多くのフレームを求めても修正できない理由でもある。

FastFrames は自己回帰型である。各 81 フレームのブロックは直前のブロックを条件としており、クリップがそもそも連鎖するのはそのためだ。著者らの貢献はより高速な transformer ではなく、その周囲にあり本来主眼ではなかった 2 つのコンポーネントを取り除いたことにある。6,387 万パラメータのピクセルデコーダが VAE デコーダを置き換え、デコードを 1 フレームあたり約 147 ミリ秒からおよそ 1 ミリ秒に短縮する。小規模なリファインメントネットワークが KV キャッシュ更新を置き換え、1.3B モデルでは 2 ミリ秒、14B では 6 ミリ秒になる。transformer 自体は最終段階で凍結される。小規模モデルでは、1 フレームあたり 271.8 ミリ秒が 35.8 ミリ秒になる。

ただし、チェイニングは拡張ではない。キーフレームも、開始フレームも、終了フレームも、参照画像も、続けるべきクリップも存在しない——つまり、FastFrames から組み立てた1分のシーケンスは、11個の連結されたブロックにすぎず、継ぎ目をまたいでキャラクターの顔、衣装、光の方向を保持する仕組みがない。1回の実行で30秒なら、Seedance 2.5 に単一のコンテキストウィンドウが与えられ、一貫性は編集者ではなくモデルの問題になる。この違いは、6倍という尺の数字が示唆する以上に価値があり、ハードウェアの進歩では埋まらないものだ。

スピードがあなたをどこへ連れて行くのか、そしてどこへは連れて行かないのか

36ミリ秒をプロダクト担当者が気にする単位に換算すると、見えてくる全体像は見出しよりも範囲が狭く、より興味深いものになる。

• 1台のB200でFastFrames-S — 1フレーム36ミリ秒、毎秒約28リクエスト、5秒のクリップを2.9秒で処理。再生速度の約1.7倍の速さです。

• 8台のB200上でFastFrames-L — 1フレーム45ミリ秒、毎秒約22リクエスト、同じクリップなら3.6秒。

• 1つのGPU上のFastFrames-L — 1フレーム158ミリ秒、5秒のクリップで12.8秒。視聴するより遅い。大規模モデルはノードを跨いで初めてインタラクティブになる。

• 720pの場合 — 8基のGPUで、小型モデルは127ミリ秒、大型モデルは116ミリ秒。シングルストリームのインタラクティブ性はここで止まる。

• B200ではなくH100では — 論文自身の推定によると25~50パーセントのペナルティがあり、小規模モデルは1フレームあたり約45~54ミリ秒になる。

Seedance 2.5は比較可能なものを何も公表していません。なぜなら、実時間の毎秒フレーム数ではなく、出力の秒数単位で販売されており、このページが検証できるフレームあたりのレイテンシを第三者として公表したものもないからです。この非対称性はけなしているのではありません。2つのモデルが異なる問いに答えるために計測されていることを思い出させるものです。

独立した記録が語っていること、それが存在する一方の側で

Seedance 2.5には取締役会の議席があり、FastFramesにはない。そしてそのどちらの事実も、率直に明言する必要がある。

Artificial Analysisの動画編集ボードでは、2026年10月8日時点で、Seedance 2.5は5,162票を獲得し、1,161 Eloで2位につけている——音声を保持したままテキスト指示からクリップを編集する。これは動画参照能力の下流に位置するものであり、具体的な意味を持つ類の数字だ。数千人が、両方のモデルに課されたタスクにおいて、別のモデルの出力よりもこのモデルの出力を選んだということだ。これは品質全般に対する判定ではなく、そのクリップにいくらかかったかも教えてくれない。

FastFrames はホストを持たないため、ボードへのエントリーがない。Apple は重みを公開したがエンドポイントは公開していないので、どの選好テストもそれを投票者に提供できない。そのためモデルの品質に関する主張は、完全に著者自身の表1に依拠している。VBench の合計スコアは FastFrames-S が84.23、FastFrames-L が84.44で、これに対して Causal Forcing++ ベースラインが84.11(1フレーム272ミリ秒)、Wan2.2 14.3B が84.65である。再現されておらず、しかも自己回帰モデルが生み出すために作られている時間的滑らかさをまさに高く評価するベンチマーク上での話だ。Apple の表全体にわたるスコアのばらつきは約2.5ポイントなのに対し、同じモデル群のレイテンシのばらつきは4桁に及ぶ。これは論文の中で最も強い主張であり、FastFrames の品質ではなく、ベンチマークが何を測っているかについての主張だ。

実際のブリーフのコスト見積もり

両方に実際の作業を当てはめてみると、両ユニットはどんな表よりも役に立つ形で衝突する。

• 「ロック済みのナレーション付き30秒製品フィルム」——Seedance 2.5なら、マルチターン拡張により1回の実行で実現でき、ナレーションを音声リファレンスとして、製品の静止画を画像リファレンスとして取り込めます。FastFramesは音声を保持できず、静止画も取り込めず、さらに複数のブロックを連結して、その継ぎ目を後から隠す必要があります。価格の話に入る前に、能力面の理由から、この仕事は1つのモデルに任せるべきです。

•「インタラクティブディスプレイ向けの5秒ループの100バリエーション」— B200上のFastFramesは、各バリエーションを実時間3秒未満で生成し、カードを償却すれば限界費用は丸め誤差にすぎない。Seedance 2.5は、100回の生成を請求し、そのうち数回は却下されることになるが、計画に使える明確な1秒あたりの数値を公開していない料金表に照らすことになる。

•「すでに編集した映像素材と同じ見た目にしなければならないヒーローショットが1つ」— Seedance 2.5。なぜなら、どちらのモデルも既存の映像素材に向ける唯一の方法は、ビデオ参照だからです。FastFramesには、クリップを入力してクリップを出力する経路がありません。

• 「ハードウェアを買う前にインタラクションの概念を実証する」— どちらも、直接には当てはまりません。Seedance 2.5の秒単位のコストは後払いでしか把握できず、FastFramesはまずハードウェアを必要とします。安上がりな策は、秒単位の料金が公開されていて実際のレイテンシ値もあるモデルに対してプロトタイプを作り、それから判断することです。

OrcaRouter does not serve FastFrames — there is no hosted endpoint for Apple's weights anywhere, which is a statement about the release rather than about routing. What one key does reach today is the hosted video layer with published rates: MiniMax H3 at $0.08 per second at 768p and $0.13 at 2K, and the Kling 3.0 family, alongside 200-plus language models on one OpenAI-compatible endpoint at provider list price with 0% markup. Seedance 2.5 is not a route here either — ByteDance sells it through its own platforms and the token card is theirs — and this page is not pretending otherwise. The practical use of that catalogue in this comparison is measurement: get a real latency and cost baseline from a model whose meter you can read, before committing to either a GPU fleet or a token bill you cannot forecast.

未解決の問題であり、それはモデルではなくメートルに関わるものだ。

ByteDanceがより多くの設定でトークン料率の例表を公開していれば、従量制と予測可能な課金の非対称性はずっと計画しやすくなり、読者はベンダーの計算を代わりに自分ですることなく、ついにSeedance 2.5を秒単位課金モデルと比較できるようになるだろう。Appleがどんな価格であれFastFramesをホストしていれば、このモデルはアリーナへのエントリーと他者が測定したレイテンシ値を得ることになり、その36ミリ秒が称賛されるだけでなく評価されることを可能にする2つの要素を手に入れるだろう。

どちらも実現していない。どちらかが実現するまでは、自分が実際にどちらの問いを立てているかに気づくことが、選び方になる。1回の実行で30秒というのは「このモデルは一つの場面を破綻なく保てるか」への答えであり、1フレーム36ミリ秒というのは「このモデルは人についていけるか」への答えだ。どちらも難しく、どちらも対価を払う価値がある。そして両方に値付けできる単一の料金表は存在しない。

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both checkpoints described as autoregressive two-step video diffusion models generating 480p at interactive latency, the Wan-AI/Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that FastFrames-S at 1.3B and FastFrames-L at 14B generate 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality versus latency, pipeline and comparisons.