Три слоя звука
| Слой | Что это | Как писать |
|---|---|---|
| Речь | слова героя | в кавычках: The woman says: «Привет!» |
| Звуковые эффекты | конкретные звуки событий | Sound: a door creaks, glasses clink |
| Фон | атмосфера места | Ambient: quiet café chatter, rain |
| Музыка | настроение | soft piano music или no music |
Правило: одна реплика, один главный эффект и один фон. Звуковая каша из десяти источников получается неразборчивой.
Речь
Medium shot, a young man in a bright kitchen looks into the camera and says: «Это заняло у меня пять минут». Static camera, soft daylight. Ambient: quiet kitchen sounds. No music.
- Фраза укладывается в длину ролика: на 6 до 8 секунд это одно или два коротких предложения.
- На русском губы совпадают хуже, чем на английском: держите реплики короткими.
- Для говорящей головы на минуту лучше закадровый голос или склейка: AI-аватар и говорящая голова.
Звуковые эффекты и фон
Wide shot, a rainy city street at night, a person with an umbrella walks past. Sound: footsteps on wet pavement, a car passes by. Ambient: steady rain. No music.
Описывайте конкретные звуки: не «звуки города», а «шаги по мокрому асфальту, проезжает машина».
Музыка
Slow push in on a decorated Christmas tree in a cozy living room. Music: soft festive piano melody.
Если музыка не нужна, пишите no music: иначе модель часто добавляет свою.
Когда звук выключать
- Рилсы и клипы: сверху ляжет трек.
- Реклама с диктором: голос записывается отдельно.
- Видеообложки маркетплейсов: проигрываются без звука: видео для карточки товара.
- Черновики: звук не нужен, чтобы проверить движение и кадр.
Сколько стоит звук
Цены на КАДР (kadr-ai.ru) за 6 секунд в 1080p, октябрь 2026:
| Модель | Без звука | Со звуком |
|---|---|---|
| Veo 3.1 Lite | 32 токена | 53 токена |
| Seedance 1.5 Pro | 46 | 86 |
| Veo 3.1 Fast | 64 | 80 |
| Kling v3 | 71 | 106 |
| Veo 3.1 | 132 | 264 |
| Seedance 2.0 | звук включён в цену | 362 |
| Seedance 2.5 | звук включён в цену | 537 |
Не является публичной офертой. У Veo 3.1 и Seedance 1.5 Pro звук удваивает цену, поэтому выключайте его везде, где он не нужен.
Закадровый голос отдельно
Если голос нужен поверх готового ролика, в КАДР есть вкладка «Аудио»: текст до 2500 символов озвучивают модели ElevenLabs Flash v2.5 (быстро и дёшево), Multilingual v2 (самая естественная речь) и v3 (больше эмоций). Голос можно взять стандартный, из библиотеки или создать свой по текстовому описанию. Минута речи (около 1000 символов) стоит около 89 рублей на Multilingual v2 и около 44 на Flash. Кнопка «Прикрепить к видео» передаёт готовую озвучку в Seedance (режим «Обычный») как аудио-образец, и губы героя двигаются в такт. Для говорящего человека по фото есть OmniHuman 1.5: фото плюс ваше аудио.
Какую модель выбрать для звука
- Речь и детальный звук: Veo 3.1, Veo 3.1 Fast.
- Речь с мимикой реального человека по фото: Kling v3.
- Длинная сцена со звуком без доплаты: Seedance 2.5.
Готовые промпты со звуком: промпты для Veo 3.1. Про голоса реальных людей: клонирование голоса нейросетью.
Коротко
Видеомодели озвучивают ролик сами: реплика в кавычках, звуковые эффекты и фон отдельными фразами, «no music», если музыка не нужна. Звук у большинства моделей увеличивает цену, у Veo 3.1 вдвое, поэтому для рилсов, клипов, рекламы с диктором и видеообложек его выгоднее выключать. У Seedance 2.5 звук уже в цене.
