Como adicionar voz e música a um vídeo de IA NSFW

Você tem um clipe de que gosta, mas ele é mudo. Talvez tenha temas adultos, talvez seja uma cena provocante que uma ferramenta convencional sinalizaria. Você quer que ele diga uma fala, que a boca acompanhe a fala, que haja alguns sons de ambiente e uma base musical que termine quando a imagem termina.

Resposta curta: faça o áudio depois que a imagem estiver final, nesta ordem: fala, sincronia da boca, efeitos sonoros, música, mixagem. Voz primeiro, porque a sincronia da boca precisa do áudio pronto; música por último, porque a duração dela tem de bater com o corte final. Testamos cada etapa separadamente, não a cadeia inteira em um único clipe, então a ordem e os níveis de mixagem abaixo são uma receita montada a partir desses testes, não uma sessão gravada. Para um clipe de 10 segundos, toda a etapa de áudio custa cerca de US$ 0,51.

A versão de 30 segundos

• Gerar de novo ou acrescentar depois? Acrescente depois quando uma fala específica precisa ser dita, ou quando você quer trocar uma palavra sem renderizar a imagem outra vez. O áudio embutido no vídeo serve para uma ambiência solta, mas faz parte do render: uma fala errada significa pagar o clipe inteiro de novo.
• Voz: comece pelo MiniMax Speech 2.8 HD; tags entre parênteses, como (sighs), são interpretadas.
• Boca: Lip Sync v1 para um vídeo com um rosto, Talking Avatar v1 para uma imagem estática.
• Efeitos: Foley v1.
• Música: "Score this cut" (musicar este corte) no editor de vídeo do Studio.
• Mixagem: voz mais alta, efeitos abaixo dela, música mais baixa de todas.

Uma receita para um clipe de 10 segundos

É uma receita, não o relato de uma execução. Cada etapa usa ajustes descritos mais adiante no guia.

1. Fala. A fala normal tem cerca de 2,5 palavras por segundo, então um clipe de 10 segundos comporta aproximadamente 22 palavras. O Lip Sync gera um vídeo com a duração do áudio, de modo que uma fala bem mais curta que o clipe corta a imagem. Exemplo (fica em inglês, porque é a requisição testada): "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." Em português: "Você se atrasou de novo. (suspira) Quase desisti de esperar. Venha cá, sente comigo um minuto e me conte tudo sobre esse seu dia horrível."
2. Voz. MiniMax Speech 2.8 HD, a fala acima, uma das sete emoções se você quiser uma. Exporte em MP3 ou WAV e corte o silêncio nas duas pontas. Custo: cerca de US$ 0,02.
3. Boca. Lip Sync v1 com o clipe e o arquivo de voz. Custo: US$ 0,012 por segundo de áudio, cerca de US$ 0,12.
4. Efeitos. Foley v1 sobre o clipe já sincronizado, duração 10. Prompt: "soft fabric rustle, a chair creaking, quiet room tone". Prompt negativo: "music, speech, voices". Custo: cerca de US$ 0,012.
5. Música. No editor, "Score this cut", clima Sultry (sensual), nota "slow, warm bass and soft electric piano". Custo: US$ 0,36. Pela API, é a mesma coisa em uma única requisição ao Seed Audio 1.0, com um prompt que pede um instrumental de cerca de 10 segundos.
6. Mixagem no editor: voz 100%, efeitos cerca de 50%, música 20 a 30%. Faça fade in e fade out na música.

Total: cerca de US$ 0,02 + US$ 0,12 + US$ 0,012 + US$ 0,36 = US$ 0,51. Vinte clipes custariam cerca de US$ 10.

Rota sem código no Studio

Você não precisa da API em nenhuma etapa. No Studio:

Se você criou uma voz ou uma faixa de música pela API, use "Save to My assets" (salvar em Meus ativos); depois, no editor, abra a aba Audio e escolha o arquivo em Assets.

Etapa 0: trave a imagem

Corte primeiro o clipe na duração final. Se você juntar vários clipes, faça a música depois da junção (para juntar, veja a cadeia do último quadro). A duração da saída do Lip Sync acompanha o áudio: um clipe mais longo que a fala é cortado na fala, e um clipe mais curto que a fala é repetido em loop, com um salto visível no ponto da repetição. Portanto, escreva a fala para caber no clipe e use um clipe de origem pelo menos tão longo quanto a fala.

Etapa 1: a fala

Nos nossos testes, cada modelo abaixo leu roteiros explícitos por inteiro, e todos estão marcados como sem restrições na SpicyAPI. O que muda é como cada um recebe direção, e é aí que as falas dão errado:

O Chatterbox serve mal para tags de indicação; use-o quando precisar de uma voz específica e deixe as tags de fora. O modelo Gemini 3.8 Flash-Lite, mais leve, também lê em voz alta as palavras das tags, então use o modelo Flash para falas com tags. Se um modelo lê uma tag em voz alta, seu clipe diz "sighs" com voz monótona: teste uma fala curta antes de se comprometer com um roteiro longo. A comparação de vozes sintéticas, só em inglês, traz custos por parágrafo; aqui, use as páginas dos modelos na tabela acima.

Etapa 2: faça a boca acompanhar

Um vídeo com um rosto: Lip Sync v1. Ele redesenha apenas a boca, então o material define o resultado: uma só pessoa, rosto razoavelmente grande, nada cobrindo a boca, uma tomada contínua. O áudio deve ter de 3 a 60 segundos, em MP3 ou WAV. Uma fala com menos de 3 segundos, como uma única respiração, é rejeitada, então complete com um momento de silêncio. O que volta é o mesmo clipe com a nova fala como trilha, com a duração do áudio, em até cerca de 720p. A cobrança é por segundo de áudio, arredondado para cima. O guia de lip sync traz as verificações do material.

Só uma imagem estática: Talking Avatar v1. Imagem mais arquivo de voz devolvem um clipe falado. A saída é uma visão compacta de um rosto falando, não uma cena completa; para uma cena em movimento, use o Lip Sync em vídeo. Os limites de retrato e áudio estão no guia do Talking Avatar.

Pule esta etapa se ninguém na tela está falando.

Etapa 3: efeitos sonoros

O Foley v1 recebe um MP4 (até 90 MB) e devolve um MP4 com uma trilha sonora gerada. Defina duration_seconds (de 1 a 30) com a duração do seu clipe, porque ela é cobrada. Cite as fontes no prompt e deixe fala e música de fora com o prompt negativo, como na receita: prompt "soft fabric rustle, a chair creaking, quiet room tone", prompt negativo "music, speech, voices". Não testamos se aparecem sons parecidos com vozes quando o prompt negativo não os exclui, então inclua-os.

Trate a trilha do Foley como uma faixa da mixagem. Mantenha o arquivo de voz separado e coloque-o em uma faixa própria; se o MP4 do Foley ainda carregar a fala e você a ouvir duas vezes, zere o áudio original desse clipe no editor e deixe a faixa de voz levar a fala. O guia do Foley trata das verificações de sincronia e de como extrair a trilha do MP4.

Etapa 4: música que termina com o clipe

Para um clipe de 5 a 15 segundos: "Score this cut" no editor. Escolha um clima (Tender, Playful, Sultry, Tense, Epic, Bittersweet: terno, brincalhão, sensual, tenso, épico, agridoce), acrescente uma nota opcional de uma linha e ative "Keep it under voices" (manter sob as vozes) se houver uma fala; essa chave molda a dinâmica da música para deixar espaço à voz, não reduz o volume da faixa. Ela escreve uma faixa instrumental do tamanho do seu corte, com pelo menos 10 segundos e até cerca de dois minutos, e a coloca em uma faixa de áudio a partir de 0:00. A duração vai escrita no pedido, não é ajustada com exatidão: espere que saia um pouco mais longa ou mais curta, então corte o final na faixa de áudio e aplique um fade out. O preço aparece no botão (US$ 0,36 na data da redação).

Outras rotas:

• Pela API: Seed Audio 1.0. É o modelo por trás de "Score this cut". Um único prompt devolve um MP3 de até cerca de dois minutos, por US$ 0,36 fixos; peça um instrumental e diga a duração que quer. O mesmo prompt também pode descrever falantes e som de ambiente, se você quiser uma cena inteira só a partir de texto. O guia do Seed Audio traz prompts.
• Curtas-metragens: "Score this film" (musicar este filme), na ferramenta de curtas, escreve uma trilha instrumental a partir da logline, do visual e do clima do filme, mixada baixo sob os diálogos.

Mantenha as trilhas instrumentais. O MiniMax Music 3.0 escreve músicas inteiras e decide a própria duração, então é a ferramenta errada para uma base sob um clipe.

Etapa 5: mixagem

Coloque o arquivo de voz na faixa 1, a trilha do Foley na faixa 2 e a música na faixa 3. O editor tem até oito faixas de áudio e fades, e aceita áudio de arquivos locais ou de My assets. Níveis iniciais, não testados: voz 100%, efeitos cerca de 50%, música 20 a 30%. Ouça tanto nos alto-falantes do celular quanto em fones e aumente os efeitos até que dê para ouvi-los nas pausas entre as palavras. Faça fade in e fade out na música para que ela não entre com estalo nem corte no meio de uma nota, e não aplique fade sobre transientes de efeitos, como um som de contato. Se mudar o corte depois, gere a música de novo na nova duração.

Quanto custa a etapa de áudio

A música é a maior linha isolada, cerca do dobro do resto da etapa somado. Voz e efeitos são baratos o bastante para repetir; é no Lip Sync que as repetições pesam, então defina a voz primeiro.

FAQ

Preciso de lip sync? Só se um rosto na tela deve estar falando. Para uma narração sobre uma cena, pule.

Como consigo música que termina com o meu clipe? Use "Score this cut" no editor: ele escreve a música na duração do seu corte, e você corta ou aplica um fade no último segundo.

Posso adicionar som a um vídeo de IA mudo? Sim: o Foley gera efeitos a partir do vídeo, e as etapas de voz e música acrescentam uma fala e uma trilha.