Нейросети для генерации звука к видео

Нейросети этого раздела смотрят на ролик и сами придумывают к нему дорожку: стук ножа, шаги по лужам, шорох бумаги, дождь, иногда музыку. Звук для видео нейросетью выручает, когда ролик снят без микрофона или сделан в видеонейросети, которая звук не создаёт. Голос диктора они не делают: речь создаёт озвучка текста, а губы героя под готовый голос двигает липсинк.

В разделе семь нейросетей. Мы прогнали через каждую один и тот же немой ролик и сравнили, что она услышала в картинке.

Один немой ролик в семи нейросетях

Карточек восемь: семь нейросетей раздела и родной звук Seedance 2.0. Исходник длится 5 секунд: кухня, нож ритмично режет морковь, на заднем плане шипит сковорода. Ролик мы сделали в Seedance 2.0 и убрали из него звук. Задание не писали нигде, кроме MMaudio: там поле Задание обязательное, и мы вписали одну фразу по-английски «knife chopping carrots on a wooden cutting board». Sonilo 1.0 вернула только звуковой файл, его мы наложили на ролик сами. В последней карточке звук, который Seedance сделала сама вместе с видео.

В ритм ножа попали шесть нейросетей из семи: у каждой 9–10 ударов за 5 секунд, и пришлись они почти на одни и те же моменты. Sonilo 1.0 выдала четыре удара поверх ровного шума, ритм она потеряла.

Сплошной фон под ударами, похожий на шипение сковороды, есть у Sonilo 1.1 и у самой Seedance. У Kling, обеих Mirelo и MMaudio между ударами тихо примерно половину ролика. Больше всего высоких частот в ударах у HunyuanVideo-Foley и MMaudio. Музыки и речи не добавила ни одна.

Всё это мы сверяли не на слух, а по спектрограммам (картинкам звука, где видно, какие частоты и когда звучат) и распознаванию речи, поэтому какой звук вам приятнее и живее, решите сами, включив ролики по очереди.

Как добавить звук к ролику на сайте

Откройте нейросеть и загрузите ролик в поле Видео: MP4, MOV или WebM, у Mirelo SFX V1.5 только MP4 и MOV. В обеих Sonilo сначала выберите в поле Тип генерации режим с видео: по умолчанию там стоит Музыка, и поля для ролика нет. Звук можно описать в поле задания, а можно оставить его пустым, как мы в сравнении. Если не знаете, что написать, нажмите Генератор промпта (промпт, то есть текстовое задание для нейросети): кнопка есть у всех семи. Цена видна на кнопке Отправить ещё до запуска. У Kling и HunyuanVideo-Foley она за ролик, у остальных за секунду.

Через полминуты или несколько минут под формой появится результат с кнопкой Скачать. Обычно это тот же ролик с новой дорожкой. Kling кладёт рядом ещё и звук отдельным файлом. Sonilo 1.0 и режим Звуковые эффекты для видео в Sonilo 1.1 возвращают только звук, и накладывать его на ролик придётся самому, поэтому в Sonilo 1.1 проще выбрать Видео со звуковыми эффектами. Результаты хранятся 7 дней. Как устроен сайт, подробно рассказано в инструкции по сайту.

Сильные стороны каждой нейросети

Sonilo 1.1: эффекты вместе с фоном и музыка под ролик

На сайте Sonilo 1.1 запускают чаще всех нейросетей раздела. На кухне она озвучила ещё и фон сцены. Версия вышла в июне 2026 года. По словам разработчиков, она точнее прежней попадает в склейки и обучена на лицензированной музыке.

Режимов шесть: музыка и эффекты по тексту, по видео и сразу видео с готовой дорожкой. Для звука к ролику выбирайте Видео со звуковыми эффектами: вернётся ролик. Звуковые эффекты для видео вернут звуковой файл: MP3 откроется в любом плеере, WAV и FLAC сохраняют звук без потери качества. Музыку под ролик пишет режим Видео с музыкой, а переключатель Сохранить речь оставляет голос из кадра. Пример с влогом есть в разделе Музыка. Платите за секунду ролика (от 1.5 ₽/сек.), наши запуски шли 20–35 секунд.

Дождь, шаги по лужам, мимо медленно проезжает трамвай

Дождь здесь идёт сплошным фоном: отдельных всплесков громкости, как от шагов по лужам, в дорожке нет.

MMaudio v2: дешевле всех и с настройками

MMaudio v2 сделали исследователи Иллинойсского университета и Sony AI, работу показали на научной конференции CVPR в 2025 году. На коротких роликах секунда звука здесь дешевле, чем у любой другой нейросети раздела (от 0.2 ₽/сек.), зато ждать дольше всех: у нас каждый запуск занимал около 4 минут.

Настроек больше, чем у остальных. Длительность (1–60 секунд, по умолчанию 8) задаёт длину звука, и цена считается по ней, а не по ролику, поэтому ставьте длину своего видео. Ролик длиннее минуты целиком не озвучить. Сила следования промпту задаёт, насколько строго держаться задания. Игнорировать исходный звук нужен, если в ролике уже есть дорожка и опираться на неё не надо. Галочка Негативный промпт открывает список запретов: то, чего в звуке быть не должно.

Разработчики предупреждают, что модель иногда добавляет фоновую музыку и бормотание, похожее на речь. Именно это и стоит вписать в запреты. Распознавание речи в наших пробах ничего не нашло, музыки на кухне тоже не было, но запрет ничего не стоит:

knife chopping carrots on a wooden cutting board

То же задание по-русски («нож режет морковь на деревянной доске») дало другую дорожку: высоких частот в ней намного больше, а тишины между ударами почти нет.

Kling Video-to-Audio: ASMR‑режим и звук отдельным файлом

Kling Video-to-Audio от Kuaishou берёт ролик до 20 секунд и стоит одинаково за любой: 7 ₽. В форме два поля по 200 знаков: Промпт для звуковых эффектов и Промпт для фоновой музыки, оба можно оставить пустыми. Переключатель ASMR‑режим усиливает мелкие звуки: шорох, касания, щелчки (ASMR — тихие звуки будто у самого уха). Результат приходит двумя файлами: ролик и та же дорожка отдельно. Запуск занимал около 45 секунд.

Ролик с упаковкой подарка мы прогнали с ASMR‑режимом и без него, поля заданий оставили пустыми. С ASMR пики громкости вышли заметно выше.

Музыку Kling подкладывает по своему выбору. К упаковке нейросеть сама добавила музыку (в дорожке звучат ноты си, ре и фа-диез), хотя поле музыки было пустым, а на кухне обошлась без неё. Когда же мы просили музыку (гитару на кухне, джаз на улице, по-русски и по-английски), в трёх запусках нот в дорожке не нашлось. Если музыка обязательна, надёжнее сделать её отдельно в Музыке.

Mirelo AI SFX 1.6: длинные ролики и правка звука

Mirelo AI SFX 1.6 компания Mirelo выпустила в мае 2026 года как первую свою модель, которая умеет править готовый звук. Режимов четыре. Звук для видео озвучивает ролик до 60 секунд. Звуковые эффекты делают звук по тексту длиной до 60 секунд. Продление дописывает готовую запись (от 3 до 59 секунд) до минуты. Изменение заменяет участок до 8 секунд в записи до 10 секунд, например щелчок или гул. Платите за секунду результата или изменяемого участка (от 1.5 ₽/сек.), и работает она быстро: наши запуски шли 15–35 секунд.

Переключатель Зацикливаемая атмосфера делает фон, который можно крутить по кругу: конец переходит в начало. Удвоить результат сразу склеит два круга. Такая петля пригодится под длинный ролик или стрим:

Rain drumming on a metal windowsill, distant city traffic

HunyuanVideo-Foley: звуки, которых нет в кадре

HunyuanVideo-Foley создали в Tencent Hunyuan. Foley — так в кино называют бытовые звуки: шаги, шорох одежды, стук посуды. Разработчики обещают студийное качество звука и точное попадание в действие. В форме одно поле Задание до 2000 знаков, цена за ролик: 10 ₽. Запуск шёл от полуминуты до минуты с небольшим.

Её сильная сторона — задание. В уличный ролик мы попросили добавить звон колоколов, которых в кадре нет. HunyuanVideo-Foley добавила звон во второй половине ролика, по-английски отчётливее, чем по-русски. MMaudio тоже добавила долгие тоны, но сильнее по-русски, и колокола ли это, по спектрограмме не понять. Kling, Sonilo 1.1 и Mirelo AI SFX 1.6 в нашей пробе колоколов не добавили ни на одном языке и озвучили то, что видно.

Rain, footsteps in puddles and loud church bells ringing

Ещё две версии: Mirelo SFX V1.5 и Sonilo 1.0

Mirelo SFX V1.5 за один запуск отдаёт две версии звука, и из них можно выбрать. Она берёт ролик до 10 секунд, оплата за секунду (3 ₽/сек.), но не меньше чем за 4 секунды. На кухне обе версии попали в те же удары. На упаковке они разошлись: в первой больше низких частот, вторая звонче.

Sonilo 1.0 — прошлая версия Sonilo. Эффекты по видео она делает для роликов до 180 секунд и до 300 МБ, принимает ещё M4V и GIF, но возвращает только звук. Раз в сравнении она потеряла ритм, для эффектов мы бы брали Sonilo 1.1, а первую версию оставили бы для GIF.

Все семь нейросетей рядом

В столбце «Длина ролика» указано, сколько секунд видео принимает форма нейросети. Если форма длину не ограничивает, так и написано.

Что выбрать для своего ролика

Если нужна вся сцена целиком, с фоном под действием, начните с Sonilo 1.1. Если хватит ударов и шагов без фона и не жалко подождать около 4 минут, дешевле всего выйдет MMaudio v2. Для рук крупным планом, распаковки и шорохов подойдёт Kling с ASMR‑режимом, только будьте готовы, что музыку она может подложить сама.

Когда фон не нужен, а ждать 4 минуты не хочется, берите Mirelo AI SFX 1.6: у нас она справлялась за 15–35 секунд и принимает ролик до минуты. Она же одна умеет продлить готовый звук, заменить в нём щелчок и сделать фон по кругу. Звук, которого в кадре нет (колокол, гром за окном), попросите у HunyuanVideo-Foley и попробуйте задание на обоих языках. Выбрать из двух вариантов за один запуск даёт Mirelo SFX V1.5.

Для ролика, который ещё не создан, этот раздел может и не понадобиться: Seedance 2.0 и некоторые другие видеонейросети делают звук сами, как в последней карточке сравнения. Какие из них это умеют, смотрите в разделе Видео из текста. Звук без видео, по одному описанию, делают нейросети раздела Звуковые эффекты, а пошаговый пример в Kling — в инструкции как создать звук для видео.

Как описать звук в задании

1. Называйте источники звука, а не настроение: «шаги по мокрому асфальту, далёкие машины», а не «сделай атмосферно». Главный звук ставьте первым, фон после.
2. Русский язык разработчики этих моделей не заявляют, и в наших пробах русское и английское задания давали разный звук. Если на одном языке не сработало, повторите на другом.
3. В MMaudio v2 лишнее выносите в запреты («music, speech», если нужны только эффекты), а Длительность ставьте равной длине ролика.
4. Режьте длинный ролик на сцены. Mirelo SFX V1.5 не возьмёт ролик длиннее 10 секунд, Kling — длиннее 20, а MMaudio, по словам разработчиков, обучали на 8-секундных клипах.
5. Делайте 2–3 запуска и выбирайте лучший: две версии Mirelo SFX V1.5 на упаковке звучали по-разному. Кнопка Повторить под результатом запустит тот же запрос ещё раз.

Вопросы о звуке для видео