У вас есть клип, который нравится, но он немой. Возможно, в нём темы для взрослых, а возможно, это игривая сцена, которую обычный сервис пометил бы. Вы хотите, чтобы герой произнёс реплику, чтобы губы двигались в такт, чтобы в комнате слышались лёгкие шумы, а музыкальная подложка заканчивалась вместе с картинкой.
Коротко: звук делают после того, как картинка окончательно готова, в таком порядке: реплика, синхронизация губ, звуковые эффекты, музыка, сведение. Голос идёт первым, потому что для синхронизации губ нужна готовая озвучка; музыка последней, потому что её длина должна совпасть с финальным монтажом. Мы проверяли каждый шаг отдельно, а не всю цепочку на одном клипе, поэтому порядок и уровни громкости ниже — это рецепт, собранный из этих тестов, а не запись одной сессии. Для 10-секундного клипа весь проход стоит около $0,51.
Версия на 30 секунд
- Перерисовывать или добавлять потом? Добавляйте потом, если нужна конкретная реплика или если хочется поменять одно слово, не перерисовывая картинку. Встроенный звук видеомодели годится для лёгкой атмосферы, но он запечён в рендер: неверная реплика означает, что за весь клип придётся платить снова.
- Голос: начните с MiniMax Speech 2.8 HD; теги в круглых скобках, например
(sighs), он отыгрывает. - Губы: Lip Sync v1 для видео с лицом, Talking Avatar v1 для неподвижного изображения.
- Эффекты: Foley v1.
- Музыка: «Score this cut» (музыка под этот монтаж) в видеоредакторе Studio.
- Сведение: голос громче всего, эффекты тише, музыка тише всего.
Рецепт для 10-секундного клипа
Это рецепт, а не отчёт о прогоне. Каждый шаг использует настройки, описанные дальше в руководстве.
- Реплика. Обычная речь — около 2,5 слова в секунду, так что в 10 секунд помещается примерно 22 слова. Lip Sync делает готовое видео той же длины, что и аудио, поэтому реплика заметно короче клипа обрежет картинку. Пример: "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."
- Голос. MiniMax Speech 2.8 HD, реплика выше, при желании одна из его семи эмоций. Экспортируйте MP3 или WAV и обрежьте тишину с обоих концов. Стоимость: около $0,02.
- Губы. Lip Sync v1: клип и файл с голосом. Стоимость: $0,012 за секунду аудио, около $0,12.
- Эффекты. Foley v1 на клипе с уже синхронными губами, duration 10. Промпт: "soft fabric rustle, a chair creaking, quiet room tone". Негативный промпт: "music, speech, voices". Стоимость: около $0,012.
- Музыка. В редакторе «Score this cut», настроение Sultry (чувственное), заметка "slow, warm bass and soft electric piano". Стоимость: $0,36. Через API то же самое — один запрос к Seed Audio 1.0 с промптом, который просит инструментал примерно на 10 секунд.
- Сведение в редакторе: голос 100%, эффекты около 50%, музыка 20–30%. Музыку плавно включайте и выключайте.
Итого: около $0,02 + $0,12 + $0,012 + $0,36 = $0,51. Двадцать клипов — около $10.
Путь без кода в Studio
API не нужен ни для одного шага. В Studio:
| Шаг | Где |
|---|---|
| Реплика | Инструмент Voiceover на панели Tools |
| Синхронизация губ | Lip sync на панели Tools или на видео в окне просмотра |
| Эффекты | Add sound на панели Tools или на видео в окне просмотра; редактор тоже предлагает его для вашего собственного сгенерированного клипа |
| Музыка | «Score this cut» в видеоредакторе |
| Сведение и экспорт | Редактор: до восьми аудиодорожек и плавные переходы громкости, экспорт выполняется в браузере |
Если голос или музыку вы сделали через API, нажмите «Save to My assets» (сохранить в «Мои материалы»), затем в редакторе откройте вкладку Audio и выберите файл в разделе Assets.
Шаг 0: зафиксируйте картинку
Сначала обрежьте клип до итоговой длины. Если вы склеиваете несколько клипов, музыку добавляйте после склейки (как склеивать, см. цепочку по последнему кадру). Длина результата Lip Sync следует за аудио: клип длиннее реплики обрезается по реплике, а клип короче реплики зацикливается, и в точке цикла виден скачок. Поэтому пишите реплику под длину клипа, а исходный клип делайте не короче реплики.
Шаг 1: голос для реплики
В наших тестах каждая из этих моделей прочитала откровенные сценарии целиком, и на SpicyAPI все они отмечены как без ограничений. Различие в том, как они принимают режиссуру, и именно здесь реплики портятся:
| Модель | Как задать подачу | Что получилось с подсказками |
|---|---|---|
| MiniMax Speech 2.8 HD (и Turbo) | Семь эмоций, теги в круглых скобках | Теги вроде (sighs) отыграны |
| Gemini 2.5 Pro TTS | 30 голосов, стиль, акцент, заметка с инструкциями | Подсказки вроде [sighs] отыграны |
| Gemini 3.8 Flash TTS | Подсказки в квадратных скобках | Подсказки о дыхании обычно отыгрывались, иногда зачитывались вслух (как часто, мы не считали) |
| Seed Speech 2.0 | 41 голос, отдельное поле инструкций | Подачу указывайте в инструкциях, а не в тексте |
| Chatterbox v1 | Эталонный голос, на который у вас есть права | Теги вроде <laugh> прочитаны вслух как слова |
Chatterbox плохо подходит для тегов-подсказок; берите его, когда нужен конкретный голос, и тегов не используйте. Более лёгкая Gemini 3.8 Flash-Lite тоже читает слова тегов вслух, поэтому для реплик с тегами берите модель Flash. Если модель читает тег вслух, в клипе плоским голосом прозвучит «sighs»: прежде чем запускать длинный сценарий, проверьте одну короткую строку. Стоимость за абзац указана на страницах моделей из таблицы выше.
Шаг 2: синхронизация губ
Видео с лицом: Lip Sync v1. Он перерисовывает только рот, поэтому результат зависит от исходного видео: один человек, лицо достаточно крупное, рот ничем не закрыт, один непрерывный план. Аудио должно длиться от 3 до 60 секунд, в формате MP3 или WAV. Реплика короче 3 секунд, например одиночный вздох, будет отклонена, поэтому добавьте в конец немного тишины. В ответ вы получаете тот же клип с новой репликой в качестве звуковой дорожки, длиной с аудио и разрешением до примерно 720p. Оплата идёт за секунды аудио с округлением вверх. Проверки исходного видео перечислены в руководстве по lip sync.
Только неподвижное изображение: Talking Avatar v1. Изображение и файл с голосом превращаются в говорящий клип. Результат — компактный говорящий портрет, а не целая сцена, поэтому для сцены с движением используйте Lip Sync на видео. Требования к портрету и аудио описаны в руководстве по Talking Avatar.
Пропустите шаг, если на экране никто не говорит.
Шаг 3: звуковые эффекты
Foley v1 принимает MP4 (до 90 МБ) и возвращает MP4 со сгенерированной звуковой дорожкой. Задайте duration_seconds (от 1 до 30) равным длине клипа, потому что именно это значение тарифицируется. Названия источников звука пишите в промпте, а речь и музыку исключайте негативным промптом, как в рецепте: промпт "soft fabric rustle, a chair creaking, quiet room tone", негативный промпт "music, speech, voices". Мы не проверяли, появляются ли звуки, похожие на голос, если не указать их в негативном промпте, поэтому добавляйте их обязательно.
Звуковую дорожку Foley рассматривайте как одну из дорожек микса. Файл с вашим голосом держите отдельно, на собственной дорожке; если в MP4 от Foley всё ещё слышна произнесённая реплика и она звучит дважды, в редакторе опустите собственный звук этого клипа до нуля, и пусть реплику ведёт дорожка с вашим голосом. Проверку тайминга и способ достать звуковую дорожку из MP4 разбирает руководство по Foley.
Шаг 4: музыка, которая заканчивается вместе с клипом
Для клипа на 5–15 секунд: «Score this cut» в редакторе. Выберите настроение (Tender, Playful, Sultry, Tense, Epic, Bittersweet), при желании добавьте заметку в одну строку и включите «Keep it under voices» (держать под голосами), если в клипе есть реплика; этот переключатель настраивает динамику музыки так, чтобы оставить место для голоса, но громкость дорожки не снижает. Редактор пишет инструментальный трек под длину вашего монтажа, не короче 10 секунд и не длиннее примерно двух минут, и кладёт его на аудиодорожку с 0:00. Длина записывается в запрос, а не задаётся точно, так что трек может выйти чуть длиннее или короче: подрежьте конец на аудиодорожке и сделайте затухание. Цена указана на кнопке ($0,36 на момент написания).
Другие пути:
- Через API: Seed Audio 1.0. Это модель, на которой работает «Score this cut». Один промпт возвращает один MP3 длиной примерно до двух минут за фиксированные $0,36; попросите инструментал и укажите нужную длину. Тот же промпт может описывать говорящих и звук помещения, если нужна целая сцена по одному тексту. Промпты есть в руководстве по Seed Audio.
- Короткометражки: «Score this film» в инструменте для короткометражек пишет инструментальную музыку по логлайну, облику и настроению фильма и тихо подмешивает её под диалоги.
Делайте музыку инструментальной. MiniMax Music 3.0 пишет целые песни и сам решает, какой будет длина, поэтому для подложки под клип он не подходит.
Шаг 5: сведение
Положите файл с голосом на дорожку 1, звуковую дорожку Foley на дорожку 2, музыку на дорожку 3. В редакторе до восьми аудиодорожек, плавные переходы громкости, а звук можно брать из локальных файлов или из My assets. Стартовые уровни (не проверены): голос 100%, эффекты около 50%, музыка 20–30%. Слушайте и в наушниках, и на динамиках телефона, и поднимайте эффекты, пока их не станет слышно в паузах между словами. Музыку плавно включайте и выключайте, чтобы она не вступала щелчком и не обрывалась на полуноте, а плавный спад не накладывайте на резкое начало эффекта, например звук касания. Если позже вы меняете монтаж, сгенерируйте музыку заново под новую длину.
Сколько стоит проход со звуком
| Шаг | За что берётся плата | Для 10-секундного клипа |
|---|---|---|
| Голос (TTS) | За секунду аудио или за 1000 символов, зависит от модели | около $0,02 |
| Lip Sync v1 | $0,012 за секунду аудио, округление вверх | около $0,12 |
| Foley v1 | $0,0012 за секунду запрошенной длины | около $0,012 |
| Score this cut / Seed Audio 1.0 | Фиксированная цена за запрос | $0,36 |
Музыка — самая крупная отдельная строка, примерно вдвое больше всех остальных шагов вместе взятых. Голос и эффекты достаточно дёшевы, чтобы пробовать повторно; расходы на повторы набегают у Lip Sync, поэтому сначала окончательно утвердите голос.
FAQ
Нужна ли синхронизация губ? Только если лицо на экране должно говорить. Для закадрового голоса поверх сцены её можно пропустить.
Как получить музыку, которая заканчивается вместе с клипом? Используйте «Score this cut» в редакторе: музыка пишется под длину вашего монтажа, а последнюю секунду вы подрезаете или гасите фейдом.
Можно ли добавить звук в немое ИИ-видео? Да: Foley генерирует эффекты по видео, а шаги с голосом и музыкой добавляют реплику и музыкальную подложку.
