Dźwięk przestrzenny Veo 3.1: dobre praktyki na dźwięk, który pasuje do ujęcia

Większość dźwięku w wideo AI brzmi jak doklejona, a nie jak obecna. Klip z ruchliwego targu dostaje gwar tłumu; klip z lasu dostaje śpiew ptaków. Oba są technicznie poprawne i żaden nie jest przekonujący, bo dźwięk nie wie, gdzie w kadrze cokolwiek się znajduje. Veo 3.1 to zmienia dzięki natywnemu dźwiękowi przestrzennemu: model generuje dźwięk razem z obrazem, świadomy tego, co jest blisko, co daleko, co stłumione, a co się przebija. Drzwi zamykające się za bohaterem brzmią inaczej niż drzwi zamykające się na pierwszym planie. Ruch uliczny trzy piętra niżej jest cichszy i bardziej rozmyty niż ruch na poziomie ulicy. Ten przewodnik wyjaśnia, jak działa wspólne generowanie dźwięku w Veo, jak myśleć osobno o trzech warstwach dźwięku i jak pisać prompty, które dają przestrzenną głębię już za pierwszym razem — z trzema rozpisanymi scenami, które możesz od razu zaadaptować.

Jak działa natywne audio w Veo 3.1

Veo 3.1 generuje dźwięk i obraz w jednym wspólnym przebiegu. Inaczej niż w procesie dwuetapowym — gdzie nieme wideo jest eksportowane, a model audio potem próbuje się do niego dopasować — Veo buduje pejzaż dźwiękowy w tym samym czasie, w którym buduje klatki. Model zna układ przestrzenny generowanej sceny: które elementy są blisko kamery, które w tle, jak gęste jest otoczenie, czy powierzchnie pochłaniałyby dźwięk, czy go odbijały.

Praktycznym skutkiem jest kierunkowość. Elementy bliskiego pola (kroki bohatera, dłoń dotykająca powierzchni, oddech) siedzą w innej pozornej odległości niż elementy tła (hałas ulicy, buczenie otoczenia, gwar tłumu). Model potrafi ułożyć je na odpowiednich względnych poziomach, bo konstruuje scenę przestrzenną, a nie wnioskuje o niej po fakcie.

Veo 3.1 daje też natywne wyjście 4K, co dla promptowania audio ma znaczenie w jeden konkretny sposób: wyższa wierność obrazu oznacza więcej detalu otoczenia w kadrze — a więc więcej detalu, na który model audio może zareagować. Zbliżenie mokrego bruku w deszczu w 4K daje modelowi więcej materiału niż miękki render tej samej sceny w 720p.

Trzy warstwy dźwięku, o których warto myśleć osobno

Najpewniejszy sposób na dobry wynik z generowania dźwięku w Veo 3.1 to rozdzielenie w głowie instrukcji audio na trzy warstwy, zanim napiszesz choćby słowo promptu. Każda warstwa ma inną charakterystykę i reaguje na inne wzorce promptów.

Dialog

Dialog to warstwa, którą kontrolujesz najprecyzyjniej. Model potrzebuje jawnych informacji: co zostaje powiedziane, kto to mówi i jak ma to zabrzmieć. W przeciwieństwie do dźwięku otoczenia — gdzie model sporo wnioskuje z kontekstu wizualnego — dialog nie ma wizualnego odpowiednika, który model mógłby odczytać. Postać idąca i mówiąca wygląda tak samo, czy recytuje listę zakupów, czy wygłasza monolog.

Zapisz kwestię dosłownie, a potem dodaj notatkę o interpretacji. Jeden zwięzły przymiotnik działa zwykle lepiej niż dwa albo trzy. Notatki, które sprawdzają się niezawodnie: warm and unhurried, flat and exhausted, urgent, just above a whisper, soft but careful. Notatki, które zwykle dają wynik uśredniony: piętrzenie przeciwieństw w rodzaju relaxed but tense albo quiet but intense.

Kontekst przestrzenny liczy się też przy dialogu. Voice close-mic'd, room barely audible daje inny wynik niż voice slightly distant, reverberant room. Model dopasuje środowisko akustyczne do tego poziomu przestrzeni, który opiszesz.

Tło akustyczne i otoczenie

Tło akustyczne to warstwa, którą Veo 3.1 obsługuje najbardziej wyróżniająco. Ponieważ model zna generowany przez siebie układ przestrzenny, możesz opisać otoczenie w kategoriach warstw i odległości, a model faktycznie potrafi z tego opisu skorzystać.

Przydatny model myślowy: wyobraź sobie trzy koncentryczne strefy — bezpośredni pierwszy plan (na wyciągnięcie ręki od kamery), plan średni (aktywna przestrzeń sceny) i tło (to, co słychać przez okna albo na skraju kadru). Nazwanie elementów w każdej strefie i wskazanie ich względnego poziomu daje modelowi cel dla miksu przestrzennego.

Nie musisz wypełniać wszystkich trzech stref. Minimalistyczna scena we wnętrzu może potrzebować tylko jednego elementu z planu średniego i subtelnego tła pomieszczenia. Nadmierne opisywanie stref, które nie powinny brzmieć, zaśmieca miks.

Efekty dźwiękowe (SFX)

Efekty to pojedyncze zdarzenia dźwiękowe przypięte do konkretnych momentów wizualnych: otwierające się drzwi, odkładany przedmiot, dźwięk powiadomienia, przejeżdżający pojazd. Ponieważ Veo generuje dźwięk wspólnie z obrazem, efekty odpowiadające widocznym na ekranie czynnościom zwykle synchronizują się naturalnie — model wie, że dłoń sięga po szklankę, zanim jej dotknie.

Efekty, które muszą trafić precyzyjnie, opisuj jako zdarzenia wizualne, a nie dźwiękowe. „She sets the phone face-down on the desk” podpowiada zarówno czynność, jak i dźwięk, który ona wywołuje; „a clunk as the phone hits the desk” opisuje dźwięk abstrakcyjnie i trudniej go zsynchronizować.

Gdy potrzebujesz efektu, który nie jest przypięty do czynności na ekranie — dźwięku spoza kadru, akustycznej interpunkcji otoczenia — potraktuj go jak wskazówkę dialogową: nazwij go wprost i daj mu kontekst przestrzenny. „A car alarm starts briefly in the distance, off-frame right” jest precyzyjniejsze niż „random street noise includes a car alarm”.

Trzy rozpisane sceny

Te przykłady pokazują pełny wzorzec promptu zastosowany w trzech różnych scenariuszach dźwiękowych. Każdy pokazuje inne główne wyzwanie.

Scena 1: warstwowanie blisko/daleko na ulicy

Brief: Bohater idzie handlową ulicą w stronę wejścia do sklepu. Dźwięk ma pokazać przestrzenną różnicę między elementami bliskimi (kroki bohatera, oddech) a otoczeniem (ruch uliczny, drzwi lokalu).

Prompt:

"Medium shot following a person walking along a busy city street toward a café entrance, overcast daylight. Audio: subject's footsteps on wet pavement close and clear; street traffic — buses, cars — sitting further back, diffuse and slightly muffled; as the subject reaches for the café door, the door's hinge and the muffled interior sound briefly audible, then the street noise dropping away as they step inside. No music."

Czego oczekiwać: Kroki powinny siedzieć w bliskim polu, wyraźnie oddzielone od ruchu w tle. Przejście przy drzwiach — z zewnątrza do stłumionego wnętrza — jest tym zdarzeniem przestrzennym, do którego prompt prowadzi, a wspólne generowanie w Veo oznacza, że model zna wizualne rozstawienie tego momentu.

Dźwignie regulacji: Jeśli ruch uliczny jest za głośny względem kroków, dodaj traffic well back, not competing with footsteps. Jeśli przejście przez drzwi jest zbyt gwałtowne, dodaj gradual acoustic shift as the door opens.

Scena 2: nastrojowe ujęcie bez dialogu, niesione samym tłem akustycznym

Brief: Szerokie ujęcie wnętrza o zmierzchu — bez dialogu, bez jawnej akcji. Dźwięk ma nieść emocjonalny rejestr sceny wyłącznie warstwami otoczenia.

Prompt:

"Wide shot of an empty apartment living room at dusk, warm orange light through venetian blinds making stripe patterns across the floor. No person present. Audio: distant traffic hum from outside (well back, through glass), occasional creak of the building settling, a single car passing slowly on the street below — its engine present then gone — faint hiss of an old radiator in the foreground right. No music. The overall room feel should be quiet enough to hear the silence between sounds."

Czego oczekiwać: Warstwowego miksu otoczenia, w którym przerwy między zdarzeniami są tak samo słyszalne jak same zdarzenia. Model powinien potraktować quiet enough to hear the silence between sounds jako instrukcję poziomu miksu — trzymając wszystkie elementy na tyle nisko, żeby tło pomieszczenia było wyczuwalne.

Dźwignie regulacji: Frazę quiet enough to hear the silence można wzmocnić, dodając each element appearing only briefly, not constant. Dodaj a phone buzzing once on a surface, off-frame, żeby wprowadzić narracyjną interpunkcję bez łamania nastroju.

Scena 3: intonacja zdaniowa w dialogu

Brief: Postać kieruje do kamery jedno pytanie. Interpretacja potrzebuje naturalnej intonacji zdaniowej — konkretnie słyszalnego podniesienia głosu na końcu pytania — a nie metronomicznego, płaskiego czytania.

Prompt:

"Close-up of a man in his 40s at a wooden desk, warm desk lamp, bookshelves behind him. He looks directly at camera, slight pause, then says 'Did you really think I wouldn't find out?' — delivery quiet, genuinely confused rather than angry, voice rising slightly on 'find out'. Room: light ambient hum from an unseen HVAC, no reverb, no music."

Czego oczekiwać: Notatki rising slightly on 'find out' i genuinely confused rather than angry powinny ukształtować zarówno przebieg dźwięku, jak i konturę wysokości głosu. Instrukcje dotyczące pomieszczenia (no reverb) ustalają środowisko akustyczne, żeby dialog nie brzmiał, jakby nagrano go w innej przestrzeni.

Dźwignie regulacji: Jeśli interpretacja jest zbyt płaska, zamień quiet na controlled but emotionally present. Jeśli intonacja zdaniowa nie przechodzi, rozdziel notatkę o interpretacji od notatki o emocji: najpierw podaj emocję, potem konkretną instrukcję intonacyjną.

Zanim puścisz to ponownie: jak czytać płaski albo mechaniczny wynik

Nie każde generowanie wymaga poprawki promptu. Część wyników potrzebuje tylko dłuższego czasu trwania albo innego Seeda. Są jednak konkretne wzorce, które wskazują, że problemem jest sam prompt:

Płaski wynik (bez głębi przestrzennej): Wszystkie elementy dźwiękowe siedzą w tej samej pozornej odległości, bez rozróżnienia na pierwszy plan i tło. Poprawka: dodaj jawny język przestrzenny do co najmniej dwóch elementów — jeden oznacz jako bliski, drugi jako odległy albo stłumiony. Model potrzebuje kontrastu, na którym może pracować.

Mechaniczny dialog: Wypowiedź toczy się równym tempem, bez pauz, bez zmiany wysokości głosu, bez intonacji na ostatniej sylabie. Poprawka: wpisz w prompt jedną konkretną instrukcję intonacyjną (podniesienie na końcu pytania, zwolnienie na emocjonalnym takcie, opadnięcie na zamknięciu zdania). Abstrakcyjne notatki w rodzaju natural albo realistic są zbyt mgliste, żeby cokolwiek zmienić.

Przeładowany miks: Zbyt wiele elementów walczy o obecność, nic nie siedzi wyraźnie. Poprawka: zejdź do dwóch albo trzech najważniejszych elementów i opisz ich względne poziomy wprost. Lepiej mieć trzy dobrze umieszczone dźwięki niż siedem konkurujących.

Złe środowisko akustyczne: Pomieszczenie brzmi zbyt pogłosowo albo zbyt sucho w stosunku do obrazu. Poprawka: nazwij charakter akustyczny wprost — dry, close-mic'd room, medium reverb, concrete walls, outdoor, open air, no reflections.

Dobre praktyki w skrócie

Pierwsze kroki w OmniArt

Wszystkie trzy warianty Veo 3.1 — veo-3.1-standard, veo-3.1-fast i veo-3.1-lite — są dostępne w przestrzeni wideo OmniArt, na tym samym saldzie kredytów i w tym samym interfejsie promptu, bez osobnego konta Google i bez klucza API. Najszybszy sposób na wykalibrowanie promptowania dźwięku to zacząć od jednego kontrastu blisko/daleko w prostej scenie, zobaczyć, co model zwróci, a potem dokładać warstwy po jednej, aż miks będzie tam, gdzie chcesz.

Szersze ujęcie zdjęć i struktury promptu w Veo 3.1 znajdziesz w przewodniku po promptach i języku filmowym Veo 3.1. Jeśli pracujesz z modelem, który generuje dźwięk w jednym wspólnym przebiegu na innym silniku, wzorce z przewodnika po natywnym audio Grok Imagine opisują podobną logikę promptowania dla systemu audio xAI.

Zacznij generować w OmniArt