Генерирует звуковую дорожку для видео по самому ролику и текстовому описанию, чтобы добавить эффекты, фоновые шумы и нужную атмосферу. Цена - 0,2 ₽ за 1 секунду аудио.
Стук ножа по доске без музыки
Звук к немому ролику с кухни, музыка и речь вынесены в запреты.
Промпт: knife chopping carrots on a wooden cutting board
MMaudio v2 — нейросеть, которая делает звук к готовому ролику: смотрит на кадры, читает короткое описание и добавляет шаги, удары, плеск и фон в те моменты, когда они случаются на экране. Выручает, если видео снято без микрофона или сделано в видеонейросети без звука.
Мы сделали 11 запусков MMaudio v2 на роликах из видеонейросетей сайта, людей в кадре нет. Пятисекундный ролик возвращался за время от 25 секунд до двух минут, восемнадцатисекундный — за две с половиной. Звук мы проверяли по спектрограммам (картинкам, где видно, какие частоты и на какой секунде звучат), по замеру громкости и распознаванию речи, поэтому насколько естественно звучит каждая дорожка, лучше решить, включив ролик.
Исходник — пятисекундный немой ролик из Kling 2.5 Turbo: корги во дворе хватает красный мяч и бежит с ним к камере. Задание мы написали по-английски, в запреты вписали музыку и речь.
A corgi puppy runs across a grassy backyard, soft paw steps on grass, a rubber ball bounces, playful puppy barks, birds chirping in the garden
MMaudio v2 · Длительность 5 с · Негативный промпт: music, speech · от 0.2 ₽/сек.
Все громкие звуки собрались между первой и третьей секундой, когда щенок хватает мяч и разворачивается. Пока он несёт мяч к камере, остаётся тихий ровный фон. Тот же запрос по-русски дал другую дорожку: она ниже по звучанию, а громкие звуки сдвинулись к середине ролика. Какая из двух ближе к картинке, решите на слух.
Ролик с баскетбольным мячом мы сняли в Sora 2, и в нём уже был свой звук. После обработки от него ничего не осталось: модель кладёт новую дорожку вместо старой.
A basketball bounces on a wooden gym floor, loud echo in a large empty sports hall
MMaudio v2 · Длительность 5 с · Негативный промпт: music, speech · от 0.2 ₽/сек.
Сравнили с родной дорожкой Sora. У неё пять отскоков, в новой дорожке тоже пять ударов с долгим эхом, но первый стоит на 0,3 секунды, где у Sora ещё тихо. Следующие два почти совпали: у Sora 1,1 и 2,2 секунды, в новой дорожке 1,2 и 2,25. Последние два отстали на 0,3 секунды.
Для фона под монтаж такой точности хватает. Удар крупным планом лучше проверить глазами.
Название подсказывает, что речь о старой дорожке. Но старый звук модель не слушает в любом случае. По коду, который разработчики выложили на GitHub, режим отключает распознавание того, что изображено в кадре, а ритм движения остаётся. Проверили на том же мяче с размытым заданием «natural sounds of the scene».
MMaudio v2 · переключатель выключен · от 0.2 ₽/сек.
MMaudio v2 · переключатель включён · от 0.2 ₽/сек.
В обоих роликах удары стоят почти на одних и тех же секундах: около 1,15, 2,3 и 3,1. Разница в остальном. С выключенным переключателем до первого отскока тихо, как в пустом зале. С включённым модель не знает, что перед ней спортзал, и заполняет всю дорожку ровным шумом. Мы бы оставляли его выключенным, а включали, только когда звук должен задавать одно задание, а не содержимое кадра.
Рекламный ролик из Kling 2.6: на хлеб с авокадо медленно падают помидоры, руккола и яйцо пашот. Мы запустили одно задание дважды: со значением по умолчанию 4,5 и с 8.
Slow motion food commercial: whoosh as ingredients fall, juicy splash of egg yolk and tomatoes landing on crunchy toast
MMaudio v2 · Сила следования промпту 4,5 · от 0.2 ₽/сек.
MMaudio v2 · Сила следования промпту 8 · от 0.2 ₽/сек.
На 4,5 в ролике три звука: на полутора секундах, около 3,5 и в самом конце, когда яйцо ложится на хлеб. Остальное время, а это девять десятых ролика, тишина. На 8 звуков заметно больше: между второй и третьей секундой идёт целая серия мелких всплесков, тишины осталось меньше трёх четвертей. Попытка на каждое значение была одна, так что вывод осторожный: если дорожка вышла пустоватой, поднимите ползунок, прежде чем переписывать задание.
Длинный ролик из Grok Video состоит из четырёх сцен: рыжий кот месит тесто, достаёт противень из печи, хвалится круассанами за столом и снова идёт к печи. В исходнике кот говорил по-русски, ту речь модель заменила вместе со всей дорожкой. Задание одно на весь ролик, в запретах снова музыка и речь.
Cozy bakery: hands kneading soft dough on a floured wooden table, crackling fire in a wood-fired oven, a metal baking tray set down on the counter
MMaudio v2 · Длительность 18 с · Негативный промпт: music, speech · от 0.2 ₽/сек.
Звуков вышло четыре, каждый короче секунды: около первой, седьмой, одиннадцатой и пятнадцатой секунд, два из них — на сменах сцен. Между ними почти тишина, а треска огня, о котором мы просили, нет совсем. Хуже другое. Там, где кот открывает рот, с шестой по тринадцатую секунду, распознавание речи нашло обрывки «слов»: модель увидела движение губ и добавила бормотание, хотя речь стояла в запретах. Разработчики сами предупреждают, что такие звуки, похожие на неразборчивую речь, у модели иногда появляются. По их же словам, модель обучали на восьмисекундных отрывках, поэтому длинный ролик лучше резать на сцены и озвучивать по одной.
Загрузите ролик в поле Видео, опишите в поле Задание, какие звуки нужны, и поставьте Длительность, равную длине ролика. Сумма видна на кнопке Отправить ещё до запуска. Нейросеть смотрит на кадры, сопоставляет их с описанием и сочиняет новую дорожку: звуки встают туда, где в кадре что-то происходит. Вернётся тот же ролик в том же разрешении, но со своим звуком, старая дорожка пропадёт. Результат появится в ленте под формой. Скачать сохранит ролик, Повторить сразу запустит то же задание ещё раз и даст новый дубль, Изменить вернёт задание и настройки в форму. Ролики хранятся 7 дней в разделе Мои результаты, удачные можно сохранить в библиотеку.
| Поле | Что ставить |
|---|---|
| Видео | Один файл MP4, MOV или WebM. Подойдёт и ролик со звуком, но этот звук не сохранится. |
| Задание | Обязательное. Источники звука и место действия, лучше по-английски. Подробнее об этом в разделе ниже. |
| Негативный промпт | Галочка открывает поле запретов: чего в звуке быть не должно. Мы почти везде писали «music, speech», чтобы модель не подложила музыку и голоса. |
| Длительность | От 1 до 30 секунд, сразу стоит 8. Ставьте ровно длину ролика. Если меньше, ролик обрежется: из пятисекундного щенка при 3 секундах вернулся трёхсекундный. Если больше, ролик останется прежней длины, а лишние секунды всё равно оплачиваются: за 10 секунд мы получили те же 5. |
| Шаги генерации | От 4 до 50, сразу 25. Чем больше шагов, тем аккуратнее звук, но дольше ждать. Мы не меняли. |
| Сила следования промпту | От 0 до 10, сразу 4,5. Если звуков мало или они не те, поднимите до 7–8 (см. пробу с тостом). |
| Игнорировать исходный звук | Сразу выключен, так и оставьте. Что он делает на самом деле, показано в пробе с мячом. |
Рабочая формула: что звучит, обо что или по чему, где это происходит, какой фон. Называйте источники, а не настроение. «A basketball bounces on a wooden floor, echo in an empty hall» сработает лучше, чем «атмосферный спортивный звук». Действие, которое видно в кадре, модель найдёт и сама, задание подсказывает ей материал и пространство.
Rain drops hitting a car windshield, wipers squeaking, muffled city traffic outside
Wooden spoon stirring thick soup in a metal pot, gentle bubbling, quiet kitchen
Русский разработчики не заявляют, а в нашей пробе со щенком русское задание дало другую дорожку, чем английское. Если писать по-английски трудно, нажмите Генератор промпта над полем: он составит задание по вашему описанию. Частые ошибки: просить речь или музыку (для этого есть другие нейросети, о них ниже), писать одно задание на ролик из нескольких сцен и забывать про запреты.
Платите только за секунды из поля Длительность, дробные округляются вверх. Шаги, сила и переключатель на цену не влияют.
| Длительность | Для чего | Цена |
|---|---|---|
| 3 с | короткий акцент, проба задания | 0,60 ₽ |
| 5 с | обычный ролик из видеонейросети | 1 ₽ |
| 8 с | стоит в форме сразу | 1,60 ₽ |
| 15 с | ролик для соцсетей | 3 ₽ |
| 30 с | самая длинная дорожка | 6 ₽ |
Для проб ставьте длину ролика, а не восемь секунд по умолчанию, и вместо долгого подбора слов запустите задание два-три раза: дубли звучат по-разному.
Все семь нейросетей, которые делают звук к видео, мы прогнали на одном немом ролике с кухней — сравнение на странице звук для видео. Коротко:
| Нейросеть | Цена | Длина ролика | Что вернёт | Когда брать |
|---|---|---|---|---|
| MMaudio v2 | от 0.2 ₽/сек. | звук до 30 с | видео | ручные настройки, запреты, оплата по секундам |
| Kling Video-to-Audio | 7 ₽ | до 20 с | видео и звук отдельно | мелкие звуки с ASMR‑режимом, звук для монтажа |
| HunyuanVideo-Foley | 10 ₽ | до 60 с | видео | звук, которого нет в кадре |
| Sonilo 1.1 | от 1.5 ₽/сек. | форма не ограничивает | видео или звук | сцена целиком с фоном, музыка под ролик |
| Mirelo AI SFX 1.6 | от 1.5 ₽/сек. | до 60 с | видео или звук | длинный ролик, продление и правка звука |
Звук без видео, по одному описанию, делает ElevenLabs Sound Effect V2.
Описание обновлено 2 октября 2026 г.