Видео со звуком из одной модели или отдельная озвучка

Один вопрос, который стоит задать до генерации

Когда ролик нужен со звуком, есть развилка: получить звук вместе с видео из одной генерации или сделать видео молчаливым, а звук собрать отдельно. Развилка кажется технической, но на деле она про задачу. От неё зависит, сколько будет итераций, насколько предсказуем результат и сколько времени уйдёт на монтаж.

Сразу важная оговорка. Модели в каталоге разные, и набор их возможностей меняется от версии к версии. Поэтому не стоит запоминать, «какая модель со звуком, а какая без» — эта информация устаревает быстрее, чем успевает закрепиться. Правильный порядок другой: открываете раздел видео, выбираете модель и смотрите её карточку. Там указано, что модель принимает на вход и что отдаёт на выходе, включая звуковую дорожку. Проверка занимает несколько секунд и снимает половину вопросов ещё до первой генерации.

Дальше — разбор по задачам, потому что универсального ответа здесь нет.

Что вообще значит «звук из видеомодели»

Когда видеомодель отдаёт ролик со звуком, это звук сцены: шаги, шум улицы, ветер, гул помещения, иногда музыкальная подложка, иногда невнятная речь на фоне. Он генерируется вместе с картинкой и по той же логике — модель пытается озвучить то, что нарисовала.

У этого есть сильная сторона: звук совпадает с изображением по времени. Дверь хлопает ровно тогда, когда закрывается, шаги попадают в шаги. Вручную такую синхронность собирать долго: нужно искать библиотечные звуки, подрезать, расставлять по таймлайну.

И есть слабая сторона: этим звуком нельзя точно управлять. Вы формулируете его словами в промте, но получаете интерпретацию, а не заказ. Если в следующем дубле картинка вам нравится, а звук стал другим — влиять на это выборочно не получится, звук и видео приезжают одним пакетом.

Отсюда простое правило: встроенный звук хорош там, где он оформление, и плох там, где он несёт смысл.

Когда встроенного звука достаточно

Первый случай — атмосферный ролик без слов. Перебивка между сценами, фоновое видео за текстом на лендинге, короткая заставка, витринный ролик товара. Здесь звук нужен, чтобы кадр не выглядел мёртвым, и любая правдоподобная фоновая дорожка справляется.

Второй — черновик и тесты. Пока вы проверяете идею, ракурс, композицию, отдельная озвучка бессмысленна: половина дублей уйдёт в корзину вместе с озвучкой. На этапе поиска картинки быстрее прогонять генерации как есть и слушать, что получилось.

Третий — контент, который смотрят без звука. Значительная часть коротких видео в лентах проигрывается беззвучно, и смысл там несут субтитры и надписи на экране. Звук в таком ролике — бонус для тех, кто включил громкость. Тратить отдельный этап на озвучку ради бонуса чаще всего не окупается.

Четвёртый — когда ролик всё равно ляжет под сквозную музыку. Если у вас серия из восьми сцен, а поверх идёт один трек на весь монтаж, встроенные дорожки вы, скорее всего, приглушите или выключите. Тогда неважно, какой звук пришёл вместе с видео.

Когда нужна отдельная озвучка

Отдельная озвучка — это когда речь генерируется голосовой моделью по вашему тексту, а видео остаётся видеорядом. Она нужна в четырёх ситуациях, и все они про контроль.

Речь должна быть разборчивой. Инструкция, обзор, объяснение, реклама услуги — всё, где зритель обязан понять каждое слово. Разборчивость — это не то, что можно доверить сцене: нужен голос, записанный как дикторская дорожка, а не как часть окружающего шума.

Текст утверждён и менять его нельзя. Юридическая формулировка, название компании, цена, условия акции, дисклеймер. Такой текст должен прозвучать буквально, слово в слово. Встроенный звук на это не рассчитан в принципе.

Ролик длиннее одной сцены. Как только вы склеиваете пять фрагментов, встроенный звук начинает выдавать монтаж: в каждом куске своя акустика, свой уровень, свой характер. На склейках это слышно. Сквозная дикторская дорожка, наоборот, склеивает разнородные кадры в одно целое — голос идёт непрерывно, и зритель перестаёт замечать швы.

Нужны правки без перегенерации. Поменяли одну фразу — переозвучили только её. Если бы речь была вшита в видео, пришлось бы генерировать сцену заново и снова ловить нужную картинку.

Для отдельной озвучки в каталоге две модели: ElevenLabs V3 в режимах «Диктор» и «Диалог» и Gemini 3.1 TTS в режиме «Диктор». Первая берёт интонацию и естественность, вторая хорошо подходит для ровного информационного чтения. Что выбрать под конкретный текст, подробнее разобрано в сравнении голосовых моделей — там же про длинные тексты и ударения.

Таблица: задача → как делать звук

Практика: как свести речь и фон

Дальше — рабочая часть. Она одинаковая независимо от того, каким видеоредактором вы пользуетесь.

Порядок обратный привычному. Сначала текст озвучки, потом видео. Причина простая: длительность речи задаёт длительность сцен, а не наоборот. Если сгенерировать восемь пятисекундных кадров, а потом попытаться уложить в них текст на пятьдесят секунд, придётся или частить, или добирать кадры. Озвучьте текст, посмотрите фактический хронометраж, разбейте его на сцены — и уже под эти отрезки генерируйте видео.

Три дорожки, а не одна. Речь, фон из видеомодели, музыка — держите их раздельно. Тогда каждый слой регулируется независимо, и на любом этапе можно убрать один, не трогая остальные.

Уровни выставляются по речи. Диктор — главный слой, всё остальное подстраивается под него. Практический ориентир: включите ролик на средней громкости и попробуйте слушать его как фон, занимаясь чем-то ещё. Если хоть одно слово приходится переслушивать — фон громкий. Опускайте фон до состояния, когда он ощущается, но не отвлекает.

Пауза в начале. Оставьте секунду тишины перед первой фразой. Речь, которая начинается с нулевого кадра, звучит оборванной — зритель не успевает переключиться на голос.

Пример промта для дикторской дорожки:

Прочитай текст ровным дикторским голосом, спокойный темп,
без театральности. Небольшая пауза после каждого абзаца.
Числа читай прописью. Текст:
[ваш текст]

Пример промта для видео, когда встроенный звук вам не нужен:

Сцена: рабочий стол с ноутбуком, дневной свет из окна слева.
Камера: медленный наезд, 4 секунды. Без людей в кадре,
без речи и без музыки, тихая нейтральная атмосфера.

Где звук спорит с музыкой

Самая частая проблема при сведении — три источника звука одновременно. Диктор говорит, из видеомодели идёт фон сцены, сверху играет трек. Каждый слой по отдельности звучит нормально, вместе получается каша, в которой речь тонет.

Разбирается это по приоритетам. Речь — первая, музыка — вторая, фон сцены — третья и первый кандидат на удаление. Если ролик разговорный, встроенный звук чаще всего проще выключить целиком: он дублирует функцию музыки, но при этом ещё и меняется от сцены к сцене.

Отдельный конфликт — ритм. Музыка задаёт свой темп, речь идёт в своём. Когда трек активный, а диктор говорит размеренно, они тянут ролик в разные стороны. Для разговорного видео берите фоновый трек без выраженного бита и без вокала: чужой голос в музыке всегда спорит с вашим диктором, даже на низкой громкости.

Ещё один частый источник конфликта — реверберация. Звук, сгенерированный вместе со сценой, несёт акустику этой сцены: гулкий зал, улицу, тесную комнату. Дикторская дорожка записана нейтрально, без пространства. Когда они играют одновременно и одинаково громко, ухо слышит два разных помещения сразу и воспринимает это как брак, даже если не может объяснить почему. Лечится тем же приглушением фона: как только сцена уходит на второй план по громкости, её акустика перестаёт спорить с голосом.

И третье — паузы. Не заполняйте музыкой каждую секунду. Момент, когда диктор договорил, а музыка ушла в тишину перед следующей сценой, работает лучше непрерывного звукового полотна.

Как считать трудозатраты

Встроенный звук ничего не добавляет к процессу: он приходит вместе с видео. Отдельная озвучка — это дополнительный шаг и дополнительная генерация, но она обычно дешевле и быстрее видео. Стоимость и того, и другого зависит от выбранных моделей, актуальные значения смотрите в прайсинге.

Экономия здесь не в генерациях, а в переделках. Ролик, где речь вшита в видео, при любой правке текста переснимается целиком — с новым кадром, новой картинкой и новой лотереей. Ролик, где голос лежит отдельной дорожкой, правится за одну переозвучку. Чем длиннее ролик и чем больше согласований он проходит, тем сильнее эта разница.

Частые вопросы