Что значит «звук в одном проходе»
Обычная генерация видео отдаёт немую картинку: дальше вы подбираете шумы, записываете голос, сводите. Это отдельный этап, который на коротком ролике занимает больше времени, чем сама генерация.
Veo 3.1 отдаёт клип со звуком, соответствующим происходящему в кадре: шаги совпадают с ногами, дверь скрипит тогда, когда её открывают, окружение звучит как окружение.
Работает в разделе видео.
Цены и режимы
| Режим | Цена |
|---|---|
| Fast, 8 секунд | 60 ₽ |
| Fast + 1080p | 70 ₽ |
| Quality | 250 ₽ |
| Quality + 1080p | 260 ₽ |
Разрыв между Fast и Quality существенный, и он определяет тактику: черновики и поиск композиции — только в Fast, Quality — для финального дубля, который пойдёт в дело.
Где это экономит день
Атмосферные вставки. Дождь за окном, шаги в коридоре, шум кафе — то, ради чего обычно лезут в библиотеки звуков и подбирают по одному.
Короткие ролики целиком. Пятнадцатисекундный ролик из двух клипов со звуком готов сразу, без этапа озвучания.
Черновой показ заказчику. Клип со звуком даёт понять замысел гораздо лучше немой картинки, и правки приходят точнее.
Когда звук лучше отключить
Если в ролике будет закадровый текст, сгенерированный звук окружения начнёт с ним конкурировать. Проще взять немую картинку и собрать звук самому: голос, музыку и шумы в нужном балансе.
То же с брендированными роликами, где звук — часть айдентики: там нужен ваш звуковой стиль, а не сгенерированный.
Закадровый голос делается в разделе аудио: доступны ElevenLabs Turbo v2.5 за 6 ₽ за 1000 знаков текста и Multilingual v2 за 12 ₽ за 1000 знаков. Закадровый текст к пятнадцатисекундному ролику — это две-три сотни знаков, то есть минимальная тысяча: 6 или 12 ₽. Как готовить текст под голос — в гайде про озвучку ролика.
Практический сценарий
Короткий рекламный ролик на пятнадцать секунд обычно собирается так: два-три плана, закадровый голос, музыка, шумы. Отдельным этапом идёт подбор звука — час-полтора работы даже у опытного человека.
С синхронным звуком этот этап сжимается до проверки: вы получаете клипы, где окружение уже звучит, и добавляете только голос, если он нужен. На практике это экономит вечер на каждом ролике.
Обратная сторона — меньше контроля. Если звук должен быть точно таким, его всё равно придётся собирать вручную; сгенерированный подходит там, где нужна атмосфера, а не конкретный звук конкретного предмета.
Что описывать в запросе
Помимо действия и камеры имеет смысл назвать звуковую картину: «слышны шаги по деревянному полу и приглушённый дождь за окном, без музыки».
Без указания модель добавит звук по своему усмотрению, и он может оказаться неуместным — например, музыка там, где нужна тишина.
Правило амплитуды здесь то же, что и везде в видеогенерации: меньше движения — естественнее результат. Готовые формулировки — в подборке промптов.
Попробовать можно на ГПТ Россия: новичку начисляется приветственный бонус 50 ₽, сервис работает без VPN, оплата в рублях российской картой.
Чего ждать не стоит
Речи персонажей. Синхронная артикуляция и осмысленный диалог — не про это; звук здесь атмосферный и предметный.
Точного повторения. Тот же запрос даст другой клип и другой звук. Для серии нужен референс.
Длинной сцены. Клипы короткие, повествование собирается монтажом.
Как это выглядит рядом с другими генераторами — в сравнении Sora, Veo и Kling.
Частые вопросы
Можно ли отделить звук от картинки?
Да, в монтажной программе звуковая дорожка отделяется как обычно. Так можно оставить только шумы и наложить свой голос поверх.
Сколько стоит пятнадцатисекундный ролик?
Это два клипа по 8 секунд. В режиме Fast — около 120 ₽, с 1080p — 140 ₽. С учётом двух-трёх попыток на клип закладывайте втрое больше.
Есть ли смысл в режиме Quality?
Для финального дубля, который увидит заказчик или аудитория, — да. Для поиска композиции и проверки идеи разница в цене в четыре раза не оправдана.
