Come aggiungere voce e musica a un video IA NSFW

Hai una clip che ti piace, ma è muta. Magari ha temi per adulti, magari è una scena maliziosa che uno strumento generalista segnalerebbe. Vuoi che pronunci una battuta, che la bocca si muova a tempo, che ci siano un po' di suoni d'ambiente e un letto musicale che finisca insieme all'immagine.

Risposta breve: lavora sull'audio a immagine definitiva, in quest'ordine: battuta, sincronizzazione della bocca, effetti sonori, musica, mix. Prima la voce, perché la sincronizzazione ha bisogno dell'audio finito; la musica per ultima, perché la sua durata deve coincidere con il montaggio finale. Abbiamo provato ogni passaggio separatamente, non l'intera catena su una sola clip: l'ordine e i livelli di mix qui sotto sono quindi una ricetta costruita su quei test, non una sessione registrata. Per una clip da 10 secondi l'intero passaggio audio costa circa 0,51 $.

La versione da 30 secondi

• Rigenerare o aggiungere dopo? Aggiungi dopo quando una battuta precisa deve essere pronunciata, o quando vuoi cambiare una parola senza rigenerare l'immagine. L'audio integrato nel video va bene per un'ambientazione generica, ma è incorporato nel render: una battuta sbagliata significa pagare di nuovo l'intera clip.
• Voce: parti da MiniMax Speech 2.8 HD; i tag tra parentesi tonde come (sighs) vengono interpretati.
• Bocca: Lip Sync v1 per un video con un volto, Talking Avatar v1 per un'immagine fissa.
• Effetti: Foley v1.
• Musica: "Score this cut" (musicare questo montaggio) nell'editor video di Studio.
• Mix: voce al massimo, effetti sotto, musica più bassa di tutti.

Una ricetta per una clip da 10 secondi

È una ricetta, non il resoconto di una prova. Ogni passaggio usa impostazioni descritte più avanti nella guida.

1. Battuta. Il parlato normale è di circa 2,5 parole al secondo, quindi una clip da 10 secondi contiene circa 22 parole. Lip Sync produce un video lungo quanto l'audio, quindi una battuta molto più corta della clip taglia l'immagine. Esempio (resta in inglese, perché è la richiesta testata): "You're late again. (sighs) I almost gave up waiting. Come here, sit with me a minute, and tell me about your whole awful day." In italiano: «Sei di nuovo in ritardo. (sospira) Ho quasi smesso di aspettarti. Vieni qui, siediti con me un minuto e raccontami tutta la tua pessima giornata.»
2. Voce. MiniMax Speech 2.8 HD, la battuta qui sopra, una delle sue sette emozioni se ne vuoi una. Esporta MP3 o WAV e rimuovi il silenzio all'inizio e alla fine. Costo: circa 0,02 $.
3. Bocca. Lip Sync v1 con la clip e il file vocale. Costo: 0,012 $ per secondo di audio, circa 0,12 $.
4. Effetti. Foley v1 sulla clip sincronizzata, durata 10. Prompt: "soft fabric rustle, a chair creaking, quiet room tone". Prompt negativo: "music, speech, voices". Costo: circa 0,012 $.
5. Musica. Nell'editor, "Score this cut", atmosfera Sultry (sensuale), nota "slow, warm bass and soft electric piano". Costo: 0,36 $. Tramite l'API, la stessa cosa è una sola richiesta a Seed Audio 1.0 il cui prompt chiede un brano strumentale di circa 10 secondi.
6. Mix nell'editor: voce 100%, effetti circa 50%, musica 20-30%. Aggiungi dissolvenze in entrata e in uscita alla musica.

Totale: circa 0,02 $ + 0,12 $ + 0,012 $ + 0,36 $ = 0,51 $. Venti clip costerebbero circa 10 $.

Percorso senza codice in Studio

Non ti serve l'API per nessun passaggio. In Studio:

Se hai creato una voce o una traccia musicale tramite l'API, usa "Save to My assets" (salva nei miei asset), poi nell'editor apri la scheda Audio e sceglila sotto Assets.

Passaggio 0: blocca l'immagine

Taglia prima la clip alla sua durata finale. Se unisci più clip, musica dopo l'unione (per l'unione vedi la catena dell'ultimo fotogramma). La durata dell'output di Lip Sync segue l'audio: una clip più lunga della battuta viene tagliata alla battuta, mentre una clip più corta viene ripetuta in loop, con un salto visibile nel punto di ripetizione. Scrivi quindi la battuta in modo che stia nella clip e usa una clip sorgente lunga almeno quanto la battuta.

Passaggio 1: la battuta

Nei nostri test ciascuno dei modelli qui sotto ha letto per intero copioni espliciti, e tutti sono contrassegnati come senza restrizioni su SpicyAPI. Cambia il modo in cui ciascuno accetta le indicazioni, ed è lì che le battute vanno storte:

Chatterbox si adatta male ai tag di indicazione; usalo quando ti serve una voce precisa e lascia fuori i tag. Anche il più leggero Gemini 3.8 Flash-Lite legge ad alta voce le parole dei tag, quindi per le battute con tag usa il modello Flash. Se un modello legge un tag ad alta voce, la tua clip dice "sighs" con voce piatta: prova una battuta breve prima di impegnarti su un copione lungo. Il confronto sulle voci sintetiche, in inglese, indica i costi per paragrafo; qui trovi le pagine dei modelli sopra, nella tabella.

Passaggio 2: far combaciare la bocca

Un video con un volto: Lip Sync v1. Ridisegna solo la bocca, quindi il materiale decide il risultato: una sola persona, volto abbastanza grande, niente che copra la bocca, un'unica ripresa continua. L'audio deve durare da 3 a 60 secondi, in MP3 o WAV. Una battuta sotto i 3 secondi, come un singolo respiro, viene rifiutata: aggiungi un momento di silenzio. Quello che torna è la stessa clip con la nuova battuta come colonna sonora, lunga quanto l'audio, fino a circa 720p. Si paga al secondo di audio, arrotondato per eccesso. La guida al lip sync elenca i controlli sul materiale.

Solo un'immagine fissa: Talking Avatar v1. Un'immagine più un file vocale restituiscono una clip parlata. L'output è una vista compatta di un volto che parla, non una scena completa: per una scena in movimento usa invece Lip Sync su video. I limiti per ritratto e audio sono nella guida a Talking Avatar.

Saltalo se nessuno sullo schermo parla.

Passaggio 3: effetti sonori

Foley v1 accetta un MP4 (fino a 90 MB) e restituisce un MP4 con una colonna sonora generata. Imposta duration_seconds (da 1 a 30) sulla durata della tua clip, perché viene fatturata. Nomina le fonti nel prompt ed escludi parlato e musica con il prompt negativo, come nella ricetta: prompt "soft fabric rustle, a chair creaking, quiet room tone", prompt negativo "music, speech, voices". Non abbiamo verificato se compaiano suoni simili a voci quando il prompt negativo non li esclude, quindi includili.

Considera la colonna sonora di Foley come una sola traccia del mix. Tieni il file vocale separato e mettilo su una traccia propria; se l'MP4 di Foley contiene ancora la battuta e la senti due volte, porta a zero l'audio proprio di quella clip nell'editor e lascia che sia la traccia vocale a portare la battuta. La guida a Foley tratta i controlli di sincronia e come estrarre la colonna sonora dall'MP4.

Passaggio 4: musica che finisce con la clip

Per una clip da 5 a 15 secondi: "Score this cut" nell'editor. Scegli un'atmosfera (Tender, Playful, Sultry, Tense, Epic, Bittersweet: tenera, giocosa, sensuale, tesa, epica, dolceamara), aggiungi una nota facoltativa di una riga e attiva "Keep it under voices" (tienila sotto le voci) se c'è una battuta; quell'interruttore modella la dinamica della musica perché lasci spazio alla voce, non abbassa il volume della traccia. Scrive una traccia strumentale dimensionata sul tuo montaggio, lunga almeno 10 secondi e fino a circa due minuti, e la colloca su una traccia audio da 0:00. La durata è scritta nella richiesta, non impostata con precisione: aspettati che venga un po' più lunga o più corta, quindi accorcia la fine sulla traccia audio e aggiungi una dissolvenza in uscita. Il prezzo è scritto sul pulsante (0,36 $ al momento della stesura).

Altre strade:

• Tramite l'API: Seed Audio 1.0. È il modello dietro "Score this cut". Un solo prompt restituisce un MP3 fino a circa due minuti a 0,36 $ fissi; chiedi un brano strumentale e indica la durata che vuoi. Lo stesso prompt può descrivere anche parlanti e suono d'ambiente, se vuoi un'intera scena partendo solo dal testo. La guida a Seed Audio contiene dei prompt.
• Cortometraggi: "Score this film" (musicare questo film) nello strumento per cortometraggi scrive una colonna sonora strumentale a partire da logline, look e atmosfera del film, mixata piano sotto i dialoghi.

Tieni le colonne musicali strumentali. MiniMax Music 3.0 scrive canzoni intere e ne decide da sé la durata, quindi è lo strumento sbagliato per un letto sotto una clip.

Passaggio 5: mix

Metti il file vocale sulla traccia 1, la colonna sonora di Foley sulla traccia 2, la musica sulla traccia 3. L'editor ha fino a otto tracce audio e dissolvenze, e prende l'audio da file locali o da My assets. Livelli di partenza, non testati: voce 100%, effetti circa 50%, musica 20-30%. Ascolta sia sugli altoparlanti del telefono sia in cuffia e alza gli effetti finché non si sentono nelle pause tra le parole. Applica dissolvenze alla musica in entrata e in uscita perché non scatti e non si fermi a metà nota, e non dissolvere attraverso i transitori degli effetti, come un suono di contatto. Se in seguito cambi il montaggio, rigenera la musica alla nuova durata.

Quanto costa il passaggio audio

La musica è la voce singola più cara, circa il doppio di tutto il resto del passaggio messo insieme. Voce ed effetti costano abbastanza poco da poter essere rifatti; è con Lip Sync che i tentativi si sommano, quindi definisci prima la voce.

FAQ

Mi serve il lip sync? Solo se un volto sullo schermo deve parlare. Per una voce fuori campo su una scena, saltalo.

Come ottengo musica che finisce con la mia clip? Usa "Score this cut" nell'editor: scrive la musica alla durata del tuo montaggio, e tu accorci o sfumi l'ultimo secondo.

Posso aggiungere suono a un video IA muto? Sì: Foley genera gli effetti a partire dal video, e i passaggi di voce e musica aggiungono una battuta e una colonna musicale.