AI-відео з говіркими персонажами

Голос генерується разом із зображенням

Є два способи змусити персонажа говорити на екрані. Один — відрендерити німе відео, а потім рухати рот за допомогою аудіодоріжки: це шлях ліп-синку, для якого потрібен виріз обличчя та керуючий аудіофайл; у результаті обличчя рухається правильно, а тіло не грає. Інший — згенерувати зображення і звук разом, щоб гра й рухи рота були одним цілим.

Цей пайплайн використовує другий спосіб. Типовий рівень відео — аудіовізуальний: моделі передають репліку, інформацію про те, хто її говорить, як її промовляють і референс голосу, а вона повертає кадр із вимовленою реплікою. Нічого не зшивається після генерації.

Коротко

Голоси підбирають, а не синтезують окремо для кожного персонажа

Кожному персонажу призначають голос із бібліотеки готових системних голосів — перед вибором ви слухаєте зразок тривалістю три-вісім секунд, можете перепідібрати голос, вибрати інший у селекторі або завантажити власний запис. Причина підбору замість створення голосу для кожного персонажа — вартість і стабільність: створені голоси змінюються від генерації до генерації та коштують додатково на персонажа, а голос із бібліотеки звучить однаково і в першій, і в дванадцятій серії.

Якщо персонажу не призначено голос, кадр використовує письмовий опис голосу — вік, тембр, регістр, — який модель інтерпретує. Це типова поведінка для нових проєктів; призначення голосів — свідомий крок, а не щось, що відбувається непомітно для кожного персонажа.

Правило таймінгу і чому воно існує

Чотирисекундний кадр не може вмістити шістнадцять слів англійською. Або подача буде настільки швидкою, що слова стануть нерозбірливими, або репліку обріжуть. Тому діалогові кадри мають мінімальну тривалість, розраховану з репліки: кількість слів поділена на три для англійської, кількість ієрогліфів поділена на п’ять для китайської; до коротких реплік додають паузу замість того, щоб втискати їх у теоретичний мінімум. Кадри, що виходять занадто короткими для своєї репліки, позначають і виправляють до рендеру — це дешевше, ніж виявляти проблему вже в готовому результаті.

Мова

Мова діалогів — це налаштування проєкту, яке обирають один раз; її застосовують там, де репліки пишуть спочатку, а не перекладають потім, — тому гра звучить цією мовою, а не є дубляжем. Доступно п’ятнадцять мов інтерфейсу, і діалоги підтримуються всіма ними; у кількох мовах іноді трапляються неправильні вимови окремих слів на типовому рівні моделі, про що в селекторі є відповідне попередження. Докладніше про це розказано на сторінці голосів персонажів.

Що ця функція не робить

• Клонувати голос реальної людини. Така можливість не надається. Ви можете завантажити власний запис як референс для своїх персонажів.
• Робити ліп-синк для завантаженого відео чи фото. Мовлення з’являється в процесі генерації, а не через керування наявним кадром.
• Давати точну тривалість репліки. Мінімальна тривалість дотримується; точна довжина подачі визначається моделлю.
• Впалювати субтитри у відео. У кадрі не рендериться жоден текст. Підписи додають після експорту.
• Гарантувати ідеальну вимову кожного власного найменування. Особливо вигадані імена варто попередньо прослухати перед тим, як запускати серію.

Скільки це коштує

Мовлення вже включено у вартість відео — окремої плати за аудіо немає. Відео коштує від 10 кредитів за секунду готового матеріалу (приблизно $0.06/с на тарифі найнижча ціна кредиту) і до $0.47/с на найчіткішому рівні; монтаж — 1 кредит за секунду. Підбір голосу з бібліотеки нічого не коштує. Нові акаунти отримують 50 кредитів і одне безкоштовне попереднє відтворення тривалістю до 5 секунд — достатньо, щоб почути, як говорить персонаж, перш ніж приймати рішення. Тарифи — на сторінці цін.

Поширені запитання

Ціни·Посібники·Зразки·Підтримка·Конфіденційність·Умови·Правова інформація·Контакти·© 2026 SceneMixer