Masz klip, który Ci się podoba, ale jest niemy. Może ma wątki dla dorosłych, może to filmik z flirtem, który standardowe narzędzie by oznaczyło. Chcesz, żeby wypowiedział kwestię, żeby usta poruszały się razem z nią, żeby było trochę dźwięków otoczenia i podkład muzyczny, który kończy się razem z obrazem.
Krótka odpowiedź: dźwięk rób po zatwierdzeniu obrazu, w tej kolejności: kwestia, dopasowanie ust, efekty dźwiękowe, muzyka, miks. Głos najpierw, bo dopasowanie ust potrzebuje gotowego nagrania; muzyka na końcu, bo jej długość musi zgadzać się z ostatecznym montażem. Każdy krok przetestowaliśmy osobno, nie cały łańcuch na jednym klipie, więc kolejność i poziomy miksu poniżej to przepis zbudowany na tych testach, a nie nagrana sesja. Dla klipu 10-sekundowego cały przebieg audio kosztuje około 0,51 USD.
Wersja na 30 sekund
- Renderować od nowa czy dodać później? Dodaj później, gdy konkretna kwestia musi zostać wypowiedziana albo gdy chcesz zmienić jedno słowo bez ponownego renderowania obrazu. Dźwięk wbudowany w wideo wystarcza na luźną atmosferę, ale jest wypalony w renderze: błędna kwestia oznacza ponowną opłatę za cały klip.
- Głos: zacznij od MiniMax Speech 2.8 HD; znaczniki w nawiasach okrągłych, jak
(sighs), są odgrywane. - Usta: Lip Sync v1 dla wideo z twarzą, Talking Avatar v1 dla nieruchomego obrazu.
- Efekty: Foley v1.
- Muzyka: „Score this cut” (podłóż muzykę pod ten montaż) w edytorze wideo w Studio.
- Miks: głos najgłośniej, efekty pod nim, muzyka najciszej.
Przepis na klip 10-sekundowy
To przepis, nie relacja z przebiegu. Każdy krok korzysta z ustawień opisanych dalej w poradniku.
- Kwestia. Normalna mowa to około 2,5 słowa na sekundę, więc w klipie 10-sekundowym mieści się mniej więcej 22 słowa. Lip Sync tworzy wideo tak długie jak dźwięk, więc kwestia znacznie krótsza niż klip skraca obraz. Przykład (zostaje po angielsku, bo to przetestowane zapytanie): "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." Po polsku: „Znowu się spóźniłeś. (wzdycha) Prawie przestałam czekać. Chodź tu, usiądź ze mną na chwilę i opowiedz mi o całym swoim okropnym dniu.”
- Głos. MiniMax Speech 2.8 HD, powyższa kwestia, jedna z siedmiu emocji, jeśli chcesz którąś. Wyeksportuj MP3 lub WAV i przytnij ciszę na obu końcach. Koszt: około 0,02 USD.
- Usta. Lip Sync v1 z klipem i plikiem głosowym. Koszt: 0,012 USD za sekundę dźwięku, około 0,12 USD.
- Efekty. Foley v1 na klipie z dopasowanymi ustami, czas 10. Prompt: "soft fabric rustle, a chair creaking, quiet room tone". Negatywny prompt: "music, speech, voices". Koszt: około 0,012 USD.
- Muzyka. W edytorze „Score this cut”, nastrój Sultry (zmysłowy), notatka "slow, warm bass and soft electric piano". Koszt: 0,36 USD. Przez API to jedno zapytanie do Seed Audio 1.0, w którym prompt prosi o podkład instrumentalny na około 10 sekund.
- Miks w edytorze: głos 100%, efekty około 50%, muzyka 20–30%. Dodaj płynne wejście i wyjście muzyki.
Razem: około 0,02 USD + 0,12 USD + 0,012 USD + 0,36 USD = 0,51 USD. Dwadzieścia klipów to około 10 USD.
Droga bez kodu w Studio
Do żadnego kroku nie potrzebujesz API. W Studio:
| Krok | Gdzie |
|---|---|
| Kwestia | Narzędzie „Voiceover” (lektor) w panelu Tools |
| Dopasowanie ust | „Lip sync” w panelu Tools albo na wideo w podglądzie |
| Efekty | „Add sound” (dodaj dźwięk) w panelu Tools albo na wideo w podglądzie; edytor oferuje to też dla wygenerowanego przez Ciebie klipu |
| Muzyka | „Score this cut” w edytorze wideo |
| Miks i eksport | Edytor: do ośmiu ścieżek audio i płynne przejścia, eksport w przeglądarce |
Jeśli głos lub ścieżkę muzyczną wykonałeś przez API, użyj „Save to My assets” (zapisz w moich zasobach), a potem w edytorze otwórz kartę Audio i wybierz plik w Assets.
Krok 0: zablokuj obraz
Najpierw przytnij klip do ostatecznej długości. Jeśli łączysz kilka klipów, muzykę rób po połączeniu (o łączeniu przeczytasz w łańcuchu ostatniej klatki). Długość wyniku Lip Sync wynika z dźwięku: klip dłuższy niż kwestia zostaje przycięty do kwestii, a krótszy jest zapętlony, z widocznym skokiem w miejscu pętli. Napisz więc kwestię tak, by mieściła się w klipie, i użyj klipu źródłowego co najmniej tak długiego jak kwestia.
Krok 1: kwestia
W naszych testach każdy z poniższych modeli przeczytał w całości jawne scenariusze i wszystkie są oznaczone w SpicyAPI jako bez ograniczeń. Różni je sposób przyjmowania wskazówek, a właśnie tam kwestie się psują:
| Model | Jak kierujesz interpretacją | Co się stało ze wskazówkami |
|---|---|---|
| MiniMax Speech 2.8 HD (i Turbo) | Siedem emocji, znaczniki w nawiasach okrągłych | Znaczniki typu (sighs) zostały odegrane |
| Gemini 2.5 Pro TTS | 30 głosów, styl, akcent, notatka z instrukcjami | Wskazówki typu [sighs] zostały odegrane |
| Gemini 3.8 Flash TTS | Wskazówki w nawiasach kwadratowych | Wskazówki oddechowe były zwykle odgrywane, a czasem czytane na głos (nie liczyliśmy, jak często) |
| Seed Speech 2.0 | 41 głosów, osobne pole instrukcji | Interpretację wpisz w instrukcjach, nie w scenariuszu |
| Chatterbox v1 | Głos referencyjny, do którego masz prawa | Znaczniki typu <laugh> zostały przeczytane na głos jako słowa |
Chatterbox słabo nadaje się do znaczników wskazówek; używaj go, gdy potrzebujesz konkretnego głosu, i pomiń znaczniki. Lżejszy model Gemini 3.8 Flash-Lite też czyta słowa znaczników na głos, więc do linii ze znacznikami użyj modelu Flash. Jeśli model czyta znacznik na głos, Twój klip mówi „sighs” płaskim głosem: przetestuj jedną krótką kwestię, zanim zabierzesz się za długi scenariusz. Porównanie syntezatorów mowy (tylko po angielsku) podaje koszty za akapit; tutaj skorzystaj ze stron modeli z tabeli powyżej.
Krok 2: dopasuj usta
Wideo z twarzą: Lip Sync v1. Przerysowuje tylko usta, więc o wyniku decyduje materiał: jedna osoba, twarz dość duża, nic nie zasłania ust, jedno ciągłe ujęcie. Dźwięk musi trwać od 3 do 60 sekund, w MP3 lub WAV. Kwestia krótsza niż 3 sekundy, na przykład pojedynczy oddech, zostaje odrzucona, więc dopełnij ją chwilą ciszy. W odpowiedzi dostajesz ten sam klip z nową kwestią jako ścieżką dźwiękową, tak długi jak dźwięk, w rozdzielczości do około 720p. Rozliczenie jest za sekundę dźwięku, zaokrągloną w górę. Poradnik o lip sync zawiera kontrole materiału.
Tylko nieruchomy obraz: Talking Avatar v1. Obraz plus plik głosowy dają mówiący klip. Wynik to zwarty widok mówiącej twarzy, nie pełna scena; dla ruchomej sceny użyj zamiast tego Lip Sync na wideo. Limity portretu i dźwięku opisano w poradniku o Talking Avatar.
Pomiń ten krok, jeśli nikt na ekranie nie mówi.
Krok 3: efekty dźwiękowe
Foley v1 przyjmuje MP4 (do 90 MB) i zwraca MP4 z dołączoną wygenerowaną ścieżką dźwiękową. Ustaw duration_seconds (od 1 do 30) na długość klipu, bo ten czas jest rozliczany. Nazwij źródła dźwięku w prompcie, a mowę i muzykę wyklucz negatywnym promptem, jak w przepisie: prompt "soft fabric rustle, a chair creaking, quiet room tone", negatywny prompt "music, speech, voices". Nie sprawdzaliśmy, czy pojawiają się dźwięki podobne do głosów, gdy negatywny prompt ich nie wyklucza, więc je wpisz.
Traktuj ścieżkę z Foley jako jedną ścieżkę miksu. Plik głosowy trzymaj osobno i połóż go na własnej ścieżce; jeśli MP4 z Foley nadal zawiera wypowiedzianą kwestię i słyszysz ją dwa razy, wyzeruj w edytorze własny dźwięk tego klipu i niech kwestię niesie ścieżka głosowa. Poradnik o Foley opisuje kontrole synchronizacji i wyciąganie ścieżki dźwiękowej z MP4.
Krok 4: muzyka kończąca się z klipem
Dla klipu 5–15 s: „Score this cut” w edytorze. Wybierz nastrój (Tender, Playful, Sultry, Tense, Epic, Bittersweet: czuły, figlarny, zmysłowy, napięty, epicki, gorzko-słodki), dodaj opcjonalną jednowierszową notatkę i włącz „Keep it under voices” (trzymaj pod głosami), jeśli jest wypowiedziana kwestia; ten przełącznik kształtuje dynamikę muzyki tak, by zostawiła miejsce głosowi, nie obniża głośności ścieżki. Powstaje utwór instrumentalny dopasowany do Twojego montażu, trwający co najmniej 10 sekund i do około dwóch minut, umieszczony na ścieżce audio od 0:00. Długość jest wpisana w zapytanie, a nie ustawiona dokładnie, więc spodziewaj się, że wyjdzie nieco dłuższy lub krótszy: przytnij koniec na ścieżce audio i dodaj wyciszenie. Cena jest na przycisku (0,36 USD w chwili pisania).
Inne drogi:
- Przez API: Seed Audio 1.0. To model stojący za „Score this cut”. Jeden prompt zwraca jeden MP3 do około dwóch minut za stałe 0,36 USD; poproś o podkład instrumentalny i podaj długość, jakiej chcesz. Ten sam prompt może też opisać mówiących i dźwięk otoczenia, gdy chcesz całą scenę wyłącznie z tekstu. Poradnik o Seed Audio zawiera prompty.
- Krótkie metraże: „Score this film” (podłóż muzykę pod ten film) w narzędziu do krótkich metraży pisze instrumentalną ścieżkę na podstawie logline, stylu i nastroju filmu, miksowaną cicho pod dialogami.
Utrzymuj ścieżki instrumentalne. MiniMax Music 3.0 pisze całe piosenki i sam decyduje o ich długości, więc to złe narzędzie do podkładu pod klip.
Krok 5: miks
Plik głosowy daj na ścieżkę 1, ścieżkę dźwiękową z Foley na ścieżkę 2, muzykę na ścieżkę 3. Edytor ma do ośmiu ścieżek audio i płynne przejścia, a dźwięk bierze z plików lokalnych lub z My assets. Poziomy startowe, nieprzetestowane: głos 100%, efekty około 50%, muzyka 20–30%. Posłuchaj zarówno na głośniku telefonu, jak i na słuchawkach, i podnoś efekty, aż będzie je słychać w przerwach między słowami. Wprowadź i wyprowadź muzykę płynnie, żeby nie wskakiwała z kliknięciem ani nie urywała się w pół nuty, i nie stosuj płynnego przejścia na przejściowych szczytach efektów, na przykład dźwięku kontaktu. Jeśli później zmienisz montaż, wygeneruj muzykę od nowa na nową długość.
Ile kosztuje przebieg audio
| Krok | Rozliczane za | Dla klipu 10-sekundowego |
|---|---|---|
| Głos (TTS) | Za sekundę dźwięku lub za 1000 znaków, zależnie od modelu | około 0,02 USD |
| Lip Sync v1 | 0,012 USD za sekundę dźwięku, zaokrąglone w górę | około 0,12 USD |
| Foley v1 | 0,0012 USD za sekundę zamówionego czasu | około 0,012 USD |
| Score this cut / Seed Audio 1.0 | Stała opłata za zapytanie | 0,36 USD |
Muzyka to największa pojedyncza pozycja, mniej więcej dwa razy tyle, co cała reszta przebiegu razem wzięta. Głos i efekty są na tyle tanie, że można je powtarzać; to przy Lip Sync powtórki się sumują, więc najpierw ustal głos.
FAQ
Czy potrzebuję lip sync? Tylko jeśli twarz na ekranie ma mówić. Przy lektorze nad sceną pomiń.
Jak uzyskać muzykę kończącą się z moim klipem? Użyj „Score this cut” w edytorze: pisze muzykę na długość Twojego montażu, a ostatnią sekundę przycinasz lub wyciszasz.
Czy mogę dodać dźwięk do niemego wideo AI? Tak: Foley generuje efekty na podstawie wideo, a kroki z głosem i muzyką dodają kwestię i ścieżkę muzyczną.
