Просторовий звук Veo 3.1: найкращі практики для звуку, що пасує кадру

Звук у більшості ШІ-відео звучить приставленим, а не присутнім. Ролик про людний ринок отримує гомін натовпу; лісовий ролик — спів птахів. Технічно обидва правильні, і жоден не переконує, бо звук не знає, де що розташоване в кадрі. Veo 3.1 змінює це завдяки нативному просторовому звуку: модель генерує звук паралельно з відео й розуміє, що поруч, що далеко, що приглушене, а що пробивається крізь усе. Двері, які зачиняються за спиною персонажа, звучать інакше, ніж двері, що зачиняються на передньому плані. Транспорт трьома поверхами нижче тихіший і розсіяніший, ніж транспорт на рівні вулиці. Цей посібник пояснює, як працює спільна генерація звуку у Veo, як думати про три звукові шари окремо і як писати промпти, що дають просторову глибину з першого запуску, — з трьома розібраними сценами, які ви можете адаптувати одразу.

Як працює нативний звук Veo 3.1

Veo 3.1 генерує звук і відео за один спільний прохід. На відміну від двоетапного конвеєра, де беззвучне відео експортується, а потім аудіомодель намагається під нього підлаштуватися, Veo будує звуковий ландшафт одночасно з кадрами. Модель знає просторову побудову сцени, яку генерує: які елементи близькі до камери, які на задньому плані, наскільки щільне середовище, чи поглинали б поверхні звук, чи відбивали.

Практичний ефект — це спрямованість. Ближні елементи (кроки персонажа, дотик руки до поверхні, дихання) стоять на іншій уявній відстані, ніж фонові (шум вулиці, гул середовища, гомін натовпу). Модель може накласти їх на відповідних відносних рівнях, бо вона будує просторову сцену, а не добудовує її постфактум.

Veo 3.1 також дає нативний вивід у 4K, і для промптингу звуку це важливо в одному конкретному сенсі: вища візуальна точність означає більше деталей середовища в кадрі — і більше деталей, на які може відгукнутися звукова частина моделі. Великий план бруківки під дощем у 4K дає моделі більше матеріалу, ніж м’який рендер тієї самої сцени в 720p.

Три звукові шари, про які треба думати окремо

Найнадійніший спосіб отримати корисний результат від генерації звуку у Veo 3.1 — подумки розділити звукові інструкції на три шари ще до першого слова промпта. Кожен шар має свої властивості й реагує на різні патерни промпта.

Діалог

Діалог — шар, який контролюється найточніше. Моделі потрібна явна інформація: що саме говориться, хто це говорить і як це має бути подано. На відміну від навколишнього звуку, де модель багато чого виводить із візуального контексту, діалог не має візуального відповідника, який модель могла б прочитати. Персонаж, який іде й говорить, виглядає однаково, чи він перелічує список покупок, чи виголошує монолог.

Пишіть репліку дослівно, а потім додайте примітку про подачу. Один стислий прикметник подачі зазвичай працює краще, ніж два чи три. Примітки про подачу, які надійно спрацьовують: warm and unhurried, flat and exhausted, urgent, just above a whisper, soft but careful. Примітки, що зазвичай дають усереднений результат, — це нагромадження протилежностей на кшталт relaxed but tense чи quiet but intense.

Просторовий контекст важливий і для діалогу. Voice close-mic'd, room barely audible дає інший результат, ніж voice slightly distant, reverberant room. Модель підлаштує акустичне середовище під той рівень навколишнього простору, який ви описали.

Ембієнт і середовище

Ембієнт — шар, який Veo 3.1 обробляє найхарактерніше. Оскільки модель знає просторову побудову, яку генерує, ви можете описати середовище через шари й відстані, і модель справді зможе діяти за цим описом.

Корисна ментальна модель: уявіть три концентричні зони — безпосередній передній план (на відстані витягнутої руки від камери), середній план (простір активної сцени) і задній план (те, що чути крізь вікна або з-за краю кадру). Назвіть елементи в кожній зоні й позначте їхній відносний рівень — і модель отримає ціль для просторового зведення.

Заповнювати всі три зони не обов’язково. Мінімалістичній сцені в інтер’єрі може вистачити одного елемента середнього плану й ледь чутного тону приміщення. Надмірна деталізація зон, у яких звуку бути не має, засмічує зведення.

Звукові ефекти (SFX)

SFX — це окремі звукові події, прив’язані до конкретних візуальних моментів: двері відчиняються, предмет ставлять на стіл, звук сповіщення, проїзд автомобіля. Оскільки Veo генерує звук спільно з відео, ефекти, що відповідають видимим на екрані діям, зазвичай синхронізуються природно — модель знає, що рука тягнеться до склянки, ще до дотику.

Щоб ефект точно потрапив у момент, описуйте його як візуальну подію, а не як звукову. "She sets the phone face-down on the desk" задає і візуальну дію, і звук, який вона породжує; "a clunk as the phone hits the desk" описує звук абстрактно, і моделі складніше його синхронізувати.

Коли вам потрібен ефект, не прив’язаний до дії в кадрі — звук з-поза кадру, розділовий знак середовища, — поводьтеся з ним як із реплікою діалогу: назвіть його явно й дайте просторовий контекст. "A car alarm starts briefly in the distance, off-frame right" точніше, ніж "random street noise includes a car alarm."

Три розібрані сцени

Ці приклади показують повний патерн промпта в трьох різних звукових сценаріях. Кожен демонструє інший головний виклик для звуку.

Сцена 1: ближній і дальній просторовий шар на вулиці

Бриф: Персонаж іде торговою вулицею до входу в кафе. Звук має показати просторову різницю між близькими елементами (кроки персонажа, дихання поруч) і навколишнім середовищем (транспорт, двері закладу).

Промпт:

"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."

Чого очікувати: кроки мають стояти в ближньому полі, чітко відокремлені від фонового транспорту. Перехід біля дверей — із вулиці в приглушений інтер’єр — і є тією просторовою подією, до якої веде промпт, а спільна генерація Veo означає, що модель знає візуальну мізансцену цього моменту.

Важелі підлаштування: якщо транспорт звучить надто голосно відносно кроків, додайте traffic well back, not competing with footsteps. Якщо перехід біля дверей надто різкий, додайте gradual acoustic shift as the door opens.

Сцена 2: настроєвий кадр без діалогу, який тримає сам ембієнт

Бриф: широкий кадр інтер’єру в сутінках — без діалогу, без явної дії. Звук має нести емоційний регістр сцени виключно через шари середовища.

Промпт:

"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."

Чого очікувати: шарувате зведення середовища, у якому паузи між подіями чутні не менше за самі події. Модель має сприйняти quiet enough to hear the silence between sounds як інструкцію рівня зведення — тримати всі елементи достатньо тихо, щоб тон приміщення лишався відчутним.

Важелі підлаштування: фразу quiet enough to hear the silence можна підсилити, додавши each element appearing only briefly, not constant. Додайте a phone buzzing once on a surface, off-frame, щоб внести наративний розділовий знак, не ламаючи настрою.

Сцена 3: інтонація на рівні речення в діалозі

Бриф: персонаж вимовляє в камеру одне запитання. Подача має мати природну інтонацію на рівні речення — зокрема, чутне підвищення в кінці запитання, а не метрономічне пласке читання.

Промпт:

"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."

Чого очікувати: примітки про подачу rising slightly on 'find out' і genuinely confused rather than angry мають сформувати і звукову хвилю, і висотний контур подачі. Інструкції щодо приміщення (no reverb) задають акустичне середовище, щоб діалог не звучав так, ніби його записали в іншому просторі.

Важелі підлаштування: якщо подача надто пласка, замініть quiet на controlled but emotionally present. Якщо інтонація речення не проходить, розділіть примітку про подачу й примітку про емоцію: спершу назвіть емоцію, потім — конкретну інструкцію щодо інтонації.

Перш ніж перезапускати: як читати плаский чи механічний результат

Не кожна генерація потребує переписаного промпта. Деяким результатам достатньо більшої тривалості або іншого Seed. Але є конкретні патерни, які вказують, що проблема саме в промпті:

Плаский результат (без просторової глибини): усі звукові елементи стоять на одній уявній відстані, без поділу на передній і задній план. Виправлення: додайте явні просторові вказівки щонайменше двом елементам — один позначте як близький, інший як віддалений або приглушений. Моделі потрібен контраст, з яким можна працювати.

Механічний діалог: подача рівномірна, без пауз, без зміни висоти, без інтонації на останньому складі. Виправлення: впишіть у промпт одну конкретну інструкцію щодо інтонації (підвищення в кінці запитання, уповільнення на емоційному акценті, зниження в кінці твердження). Абстрактні примітки на кшталт natural чи realistic надто розмиті, щоб змінити результат.

Перевантажене зведення: забагато звукових елементів борються за присутність, і жоден не звучить чітко. Виправлення: скоротіть до двох-трьох найважливіших елементів і опишіть їхні відносні рівні явно. Три добре розставлені звуки кращі за сім конкурентних.

Хибне акустичне середовище: приміщення звучить надто гулко або надто сухо для картинки. Виправлення: назвіть акустичний характер прямо — dry, close-mic'd room, medium reverb, concrete walls, outdoor, open air, no reflections.

Підсумок найкращих практик

Як почати в OmniArt

Усі три варіанти Veo 3.1 — veo-3.1-standard, veo-3.1-fast і veo-3.1-lite — доступні у відеопросторі OmniArt з тим самим балансом кредитів і тим самим інтерфейсом промпта, без окремого облікового запису Google чи ключа API. Найшвидший спосіб відкалібрувати свій підхід до звуку — почати з одного контрасту «ближче / далі» в простій сцені, подивитися, що дає модель, а потім додавати шари по одному, доки зведення не стане таким, як вам потрібно.

Ширший розбір операторської роботи та структури промптів Veo 3.1 — у посібнику з промптів і кінематографії Veo 3.1. Якщо ви працюєте з моделлю, яка генерує звук за один спільний прохід на іншому конвеєрі, патерни з посібника з нативного звуку Grok Imagine описують схожу логіку промптингу для нативної звукової системи xAI.

Почніть генерувати в OmniArt