Kling 4.0 vs ByteDance Seedance 2.5：50の参照画像と10のキーフレームの対決

2つの仕様表を並べると、数字は一方的な大差に見える。B​yteDance S​eedance 2.5は、1回のリクエストで最大50件の参照アセット（画像30点、動画10本、音声クリップ10本。音声は単独でも使用可能）を受け付け、最大30秒の動画と音声を1回の処理で同時に生成する。Kling 4.0は、合計最大15件の参照アセットと最大10枚のキーフレーム画像を受け付け、3～30秒の動画を2チャンネルステレオで生成する。50対15という差は、比較をほんの一段落で終わらせてしまう種類の隔たりだ。 このようなリリースの背景にある、記録されたAI障害やエージェント事故はthe OrcaRouter AI Incident Archiveに集められており、各項目には独自の出典、重大度、信頼度グレード、異議ありフラグが付いている。

そうすべきではありません。なぜなら、2つのモデルは数えているものが違い、解いている問題も異なるからです。Seedance 2.5のリファレンス予算は、一連の作品全体での一貫性のために組まれています。つまり、同じキャラクター、同じ製品、同じ声を多くのショットにわたって保ち、音声を出力の機能ではなく第一級の入力として扱います。Kling 4.0の予算は、1ショット内の振り付けのために組まれています。タイムライン上に10の瞬間をピン留めし、特定の演技とカメラ移動をフレームに収め、その後、結果を再生成せずに編集します。一方のモデルはシリーズの一貫性を保とうとし、もう一方は1つのテイクを成立させようとしています。問いは、あなたのプロジェクトがそのどちらに当たるかです。

それぞれの数字の出典

両方の数値はベンダーが公表しているものであり、どちらのベンダーもそれを裏付けるベンチマークを公開していないため、以下の数値は能力に関する主張であり、実測されたスループットではありません。

• 参照上限 — S​eedance 2.5は1回のリクエストで最大50アセット（画像30、動画10、音声10）に対し、Kling 4.0は合計最大15（画像10、動画5は合計30秒まで、音声参照、7要素のうち最大3つは動画ベース）。

• 長さ — S​eedance 2.5 は1回のパスで4～30秒、Kling 4.0 は3～30秒で、2分への延長は近日提供予定と記載されています。

• 解像度 — S​eedance 2.5 は 8ビットで 480p と 720p、10ビットで 1080p に対し、Kling 4.0 は 720p、1080p、4K で、1080p と 4K の 10ビット HDR は近日公開予定と記載。

• 音声入力 — {{1}}S​eedance 2.5{{/1}}は単独の参照音声を受け付け、単独で、または画像や動画と組み合わせて使用できるのに対し、Kling 4.0は音声参照のみを受け付け、出力音声は2チャンネルステレオです。

• ショット制御 — Kling 4.0 はタイムライン上に最大10枚のキーフレーム画像を配置できるのに対し、S​eedance 2.5 の制御は参照駆動型で、キーフレームトラックではなく、先頭フレームと最終フレームの固定および明示的な延長パスを備えています。

• 重み — どちらのモデルもオープンではありません。ByteDanceはSeedance 2.5をオープンにする計画を公表しておらず、KuaishouはKling 4.0をアーリーアクセスでAPIアクセスを備えたホスト型製品としてのみ提供しています。

音声の議論、それが本物の方だ

S​eedance 2.5は、音声を後付けした動画モデルではない。B​yteDanceはこれを音声と動画の共同生成モデルと説明し、2つのモダリティを1つのコンテキストとして扱う系列の後継と位置づけている。実際には、音声参照は画像参照と同じように機能する。つまり、声やトラックをモデルに渡し、出力をそれに合わせるよう求められるのであり、参照音声と参照動画を合わせた入力は30秒までに制限される。対話主導の作業では、これは映像を生成してからそれに音を合わせるのとは実質的に異なるワークフローだ。

Kling 4.0は、音声に対して逆方向からアプローチします。その音声面の特徴は、生成クリップ内部の制作品質にあります。2チャンネルステレオ、より精度の高いリップシンク、特定のアクセントや方言を指定した9言語にわたる会話、そしてカメラが動いても判読可能な画面上のテキスト生成です。リリースノートの例は、vlog風の自己紹介、ショートドラマ、製品広告、ゲームトレーラー——音声が供給されるのではなく生成される形式です。Kling 4.0にマスタリング済みのトラックを渡して、それに合わせてカットしてもらうことはできません。渡せるのは音声リファレンスとスクリプトです。

正直に線引きするなら、こうだ。音が入力である場合——ライセンス済みのトラック、録音されたナレーション、特定の話者の音色——S​eedance 2.5 はその用途向けに作られており、Kling 4.0 はそうではない。音が出力である場合——ヒンディー語やイギリス英語のアクセントで説得力のあるセリフが必要で、クローズアップにも耐えるリップシンクを伴うシーン——Kling 4.0 の仕様書のほうが、より具体的な約束だ。ただし、2つのうち新しいほうで実績も少ないのは確かだが。

掲示板が教えてくれることと、教えてくれないこと

S​eedance 2.5には一つの数字がある。Artificial Analysisのテキスト・トゥ・ビデオ・ボードでは、音声付きのAA-Video-T2V v2.0において、Dreamina S​eedance 2.5は8,264票にわたりElo 1,143（95%区間1,134〜1,152）を記録し、1,156のWan 3.0に次ぐ3位で、首位とも区間が重なるほど差は小さい。これらはブラインドによるペア比較の人間選好投票であり、人がどちらのクリップを選んだかを測るもので、特定の作業でどちらのモデルがより高性能かを測るものではない。

Kling 4.0にはスコアがない。コンシューマー向けリリースから1週間後の10月22日時点で、動画ボードに登場していない。この不在は結論ではない。新しいモデルは投票を蓄積するのに数週間かかり、ボードはリリースに遅れるのが常だからだ。ただし、この比較におけるKling 4.0の品質に関する主張はすべてKuaishou自身の資料に由来することを意味する。置き換えられるモデルも同じ指標では心強いものではない。Kling 3.0の画像→動画ティアはAAボードでElo 1,036〜1,055に位置し、テキスト→動画ティアは10月の測定で約1,000〜1,015だった。90ポイントの差を埋める世代は大きな飛躍になる。可能性はあるが、未検証だ。

もう一つの非対称性は、はっきり述べておく価値がある。ByteDance自身の発表投稿は、複雑な動きのもっともらしさと複数被写体のインタラクションの安定性をモデルの弱点として挙げており、これは異例なほど率直で、評価者にテストすべき材料を与える。K​uaishouのリリースノートは弱点を一切挙げていない。唯一の曖昧な点は、HDRと拡張機能に付された「coming soon」というラベルだけだ。自らの失敗モードを列挙するベンダーのほうが、そうしないベンダーよりも評価しやすい。

仕上がり1秒あたりの価格と、その表示価格が誤解を招く理由

Seedance 2.5 は、長さ・解像度・フレームレートに応じて変動するトークン単位で課金されます。BytePlus 自身の計算例では、動画入力なしの5秒・16:9クリップは、480pで約 $0.514、720pで $1.156、1080pで $2.843、つまり1秒あたり約 $0.103、$0.231、$0.569となります。Artificial Analysis は同じモデルを、既定設定の1080pで1分あたり $34.12 に正規化しており、1秒あたりの数字を掛け合わせると整合します。同じ料金ページでは2.0シリーズの方が全般的に安く、それが新しいモデルの隣で依然販売されている理由です。

Kling 4.0には公開されたAPI料金が一切ありません。開発者ドキュメントの料金セクションにはKling 3.0とその階層が記載されているだけで、新しいモデルは載っておらず、APIドキュメント全体のバナーにはアーリーアクセスとあります。サードパーティのプラットフォームはKling 4.0の秒単位の数値を公開していますが、リセラーの料金はベンダーの定価とは別の仕組みです。需要に応じて変動し得るうえ、ベンダーがエンドポイントを公開したときにこのモデルの料金がいくらになるかは何も示しません。

そのため、これがどちらの方向にも比較が拮抗しない唯一の行となります。S​eedance 2.5は秒あたりの単価が高く、その点を明示しています。Kling 4.0は価格が設定されていません。予算策定の観点では、価格未設定のモデルは安いのではなく不明であり、不明なものは節約ではなくリスクとして計上しなければなりません。

実際に両者が一緒に使われるのはどこか

ショートドラマは、その住み分けを具体化する事例だ。Seedance 2.5の50アセット分の予算と独立した音声リファレンスは、20ショットを通じてキャスト、ロケーション、声を一貫させるための適切なツールである——それは一貫性の問題であり、リファレンスの量がそれを解決する方法だ。Kling 4.0のキーフレームトラックと狙いを定めた編集は、そのエピソードの中で正確に決めなければならない2、3のショット、つまりリビール、リアクション、製品インサートなど、ディレクターがフレーム11をどう見せるべきか分かっている場面に適したツールだ。

それは、まったく選ばないこと、そしてまずい選び方をしないことの根拠にもなります。動画生成をめぐるオーケストレーション——ショットリスト、プロンプトの下書き、参照素材へのキャプション付け、モデレーションパス、生成が途中で失敗したときのリトライ——はテキストモデルの仕事であり、2つのベンダーSDKではなく1つのインターフェースの背後に置くべきものです。OrcaRouterは200以上のモデルをOpenAI互換の単一エンドポイントで、プロバイダー定価、マークアップ0%、自動フェイルオーバー付きで提供するため、パイプラインはルーティングの判断をコードではなく設定に保てます。ここで挙げたどちらのモデルも現在当社のカタログにはありません：当社のKlingラインナップはKling 3.0ファミリーまでで、Kling 3.0とOmniは1リクエスト$0.084から、Turboは最大$0.112、そしてS​eedance 2.5もルーティングされていません。カタログにあるのはパイプラインの残りの部分であり、切り替えコストの大半が実際に存在するのはそこです。

勝者ではなく条件として述べられた評決

作業がシリーズもので、音声が入力で、今日スプレッドシートに記入できる価格が必要なら、S​eedance 2.5 を選べ。作業が精密に指示された数ショットで、音声が生成され、各テイクを人間が確認するなら、Kling 4.0 を選べ。ただし、そのコントロールサーフェスの強みを頼りに、未測定・未価格設定のモデルを買っていることを受け入れよ。Kling 4.0 の API がアーリーアクセスを終了し、最初の Elo が現れたら比較を再実行せよ。生成の飛躍が本物なら、参照ボリュームの論拠は決定的ではなくなり、キーフレームの論拠が乗り換える理由になる。