Как сделать видео со звуком нейросетью

Как сделать видео со звуком нейросетью, если вы никогда этим не занимались: в этом уроке проходим весь путь от пустого экрана до готового ролика с озвучкой — на примере модели PixVerse V6 во вкладке «Видео». Разберём, куда нажимать, чем отличаются пять режимов работы, как формулировать описание, чтобы получилось с первого раза, и как не переплатить за черновики. К концу урока у вас будет ролик длиной до 15 секунд с речью на русском языке, готовый к публикации.

lk.vibemarketolog.ru/video

Видео со звуком нейросетью: что это и когда использовать

PixVerse V6 — видеомодель в кабинете Вайб-Маркетолога, которая делает короткие ролики со встроенной звуковой дорожкой. Отличие от большинства видеонейросетей в том, что звук не приклеивается отдельным этапом: изображение и аудио рождаются в одном проходе, поэтому реплика героя попадает в артикуляцию, а шум сцены совпадает с тем, что происходит в кадре.

Брать эту модель стоит, когда вам нужен короткий ролик здесь и сейчас: промо-вставка для рекламы, вертикальное видео для ленты, оживление фотографии товара, заставка для письма или презентации. Длительность — от 3 до 15 секунд, этого хватает на одну мысль и один призыв к действию. Если нужен полноценный минутный ролик из нескольких сцен, разумнее собрать его из отдельных клипов в Монтажной студии.

Второе применение — черновики. Секунда в качестве 360p стоит 4 ₽, и это позволяет проверить идею до того, как тратиться на финальный рендер. Сняли пять вариантов сцены за сто рублей, выбрали удачный, повторили его в Full HD — так работает нормальный продакшн-цикл, только без съёмочной группы.

Для кого этот инструмент

Таргетологу и специалисту по контекстной рекламе. Видеокреативы выгорают быстрее статики, а тестировать нужно много. Возможность собрать десять вариантов за стоимость одного профессионального ролика меняет саму логику работы: гипотезы проверяются пачками.

SMM-специалисту. Вертикальный формат 9:16, длительность до 15 секунд и готовый звук — это ровно то, что нужно для коротких видео в соцсетях. Публиковать можно сразу, не открывая редактор.

Владельцу интернет-магазина. Каталог фотографий уже есть, снимать заново дорого. Режим оживления фото превращает статичную карточку в видео, а режим референсов ставит ваш товар в руки персонажа.

Тому, кто делает контент на заказ. Клиент утвердил ролик и попросил «сделать чуть длиннее» — режим продления дописывает продолжение к существующему видео, и заново оплачивать уже готовую часть не нужно.

Новичку в нейросетях. Порог входа по деньгам минимальный, а логика панели простая: выбрали режим, задали длительность, написали описание. Ошибиться на 12 рублях не страшно — а именно из таких проб и складывается понимание, как разговаривать с моделью.

Как сделать видео со звуком нейросетью: пошагово

1. Откройте вкладку «Видео». В кабинете это верхнее меню, пункт «Видео». Модель PixVerse V6 — вторая карточка в ряду, сразу после Seedance 2.5; на ней значок NEW и цена «от 12 ₽». Нажмите на карточку, чтобы выбрать модель: ниже раскроется блок «Настройки PixVerse V6».
2. Выберите режим. Первая строка настроек — пять кнопок: «По описанию», «Оживить фото», «Переход между кадрами», «Референсы» и «Продлить видео». Под кнопками появляется подсказка, что именно делает выбранный режим и какие файлы он попросит. Если вы делаете первый ролик, начните с «По описанию» — он ничего не требует, кроме текста.
3. Задайте длительность. Ползунок «Длительность» ходит от 3 до 15 секунд. Прямо под ним видна арифметика: «5с × 10 ₽/сек = 50 ₽». Это не примерная оценка, а итоговая сумма — столько спишется с рублёвого баланса.
4. Выберите качество. Четыре кнопки: 360p, 540p, 720p и 1080p. Для проб берите 360p — сцену и движение там видно, а стоит вчетверо дешевле. Для публикации в соцсети достаточно 720p, для сайта и презентации лучше 1080p.
5. Решите, нужен ли звук. Переключатель «Звук в видео»: «Со звуком» или «Без звука (дешевле)». Разница в цене — примерно четверть. Если ролик всё равно пойдёт под музыку или закадровый голос, звук можно не генерировать.
6. Выберите формат кадра. Строка «Формат» доступна в режимах «По описанию» и «Референсы»: 16:9, 9:16, 1:1, 4:3, 3:4, 2:3, 3:2 и широкий 21:9. В остальных режимах пропорции наследуются от вашего исходного файла, поэтому строка скрывается — это нормально.
7. Напишите описание. Блок «Опишите видео» — самое важное поле. Опишите сцену, движение камеры и настроение. Если нужна речь, укажите реплику точной фразой в кавычках: «Персонаж поворачивается к камере и говорит: „Привет! Сегодня разберём, как…“». Модель произнесёт ровно эту фразу.
8. Нажмите «Создать». На кнопке написана итоговая цена. Короткий ролик обычно готов за минуту, пятнадцатисекундный — за несколько минут. Готовое видео появится в блоке «Мои видео» под панелью и в общей истории генераций, откуда его можно скачать.

Разбор режимов: какой когда включать

По описанию — когда исходников нет

Ролик собирается целиком из текста. Подходит, когда нужна сцена, которой у вас нет: абстрактная заставка, персонаж-ведущий, метафора для рекламы. Это же единственный режим, где вы полностью управляете композицией через формат кадра.

Главная ошибка новичков — описывать статичную картинку. «Кот у экрана» даст почти неподвижный кадр. Работает описание действия: «камера медленно наезжает, кот поворачивается к зрителю и указывает лапой на экран». Видеомодель отрабатывает глаголы.

Оживить фото — движение из одного изображения

Загружаете одну картинку, и нейросеть достраивает движение. Годится для карточек товара, портретов, готовых баннеров. Пропорции берутся из вашего файла: вертикальное фото останется вертикальным.

Важное ограничение: в этом режиме принимается ровно одно изображение. Если хочется собрать сцену из нескольких, это уже режим референсов.

Переход между кадрами — «было и стало»

Вы даёте два изображения: начальный кадр и финальный. Модель придумывает превращение между ними. Классическое применение в рекламе — до и после: пустая комната превращается в обставленную, старый интерфейс в новый, черновик в готовый макет.

Референсы — сцена из ваших материалов

Самый гибкий режим: до семи изображений, к которым можно обращаться прямо в описании. После загрузки каждое получает имя по порядку — @Image1, @Image2 и так далее. Дальше вы пишете сценарий, называя объекты по именам: «@Image1 берёт с полки @Image2 и показывает в камеру».

lk.vibemarketolog.ru/video

Именно этот режим держит узнаваемость бренда: загрузите фирменного персонажа один раз и ссылайтесь на него во всех роликах — образ не будет плавать от генерации к генерации.

Продлить видео — дописать продолжение

Загружаете готовый ролик и описываете, что должно произойти дальше. Нейросеть отталкивается от последнего кадра и дорисовывает сцену. В ответ приходит цельное видео: исходник вместе с продолжением.

lk.vibemarketolog.ru/video

Обратите внимание на подпись в загрузчике: файл принимается в MP4, MOV или WebM, до 50 МБ, а кадр — до 1920 пикселей по стороне. Если ваш ролик снят на телефон в более высоком разрешении, кабинет уменьшит его сам при загрузке и напишет, что именно поправил. Ничего пережимать руками не нужно.

Сколько стоит

Оплата посекундная, подписки нет. Цена зависит от разрешения и от того, включён ли звук.

Режим на цену не влияет: продление, референсы и оживление фото стоят столько же, сколько обычная генерация той же длины и качества. В режиме продления оплачиваются только добавленные секунды — длина исходника не считается.

Русская озвучка поверх ролика

Под панелью настроек есть отдельный переключатель «Русская озвучка». Он нужен, когда речь должна прозвучать без единой ошибки в словах: своим голосом модель по-русски говорит, но иногда коверкает слова, а диктор платформы читает текст ровно так, как он написан. Работает слой просто: включаете переключатель, пишете текст реплики, выбираете, как она звучит — закадровым голосом или из уст героя в кадре, — и чей это голос: один из шести дикторов (три женских, три мужских) либо «Мой голос», если вы уже создали в кабинете клон собственного голоса.

Цена слоя считается отдельно и показывается под полем текста: диктор — 13 ₽ за каждую начатую тысячу знаков, клонированный голос — 10 ₽. Вариант «герой в кадре» добавляет пересинхронизацию губ — 10 ₽ за секунду ролика; если синхронизация не удастся, придёт ролик с закадровым голосом, а разницу вернут на баланс. Счётчик под полем подсказывает, сколько знаков помещается в выбранную длительность: речь идёт примерно 13 знаков в секунду, и текст длиннее ролика панель не пропустит.

Какую видеомодель выбрать под задачу

PixVerse V6 — не единственная модель во вкладке «Видео», и правильный выбор модели экономит больше, чем любой приём в описании. Ниже — то, что реально включено в кабинете на момент публикации, с ценами из панели. Все модели оплачиваются с одного рублёвого баланса: у посекундных сумма пересчитывается ползунком, у остальных цена стоит на карточке.

Практическое правило из этой таблицы. Черновики и вертикальные ролики для ленты — PixVerse V6: 360p за 4 ₽ в секунду дешевле любого соседа, а режимов у модели больше всех. Нужен ролик длиннее 15 секунд одной генерацией — Seedance 2.5, у неё потолок 30 секунд. Нужны максимальное разрешение и объёмный звук для сайта, презентации или большого экрана — MiniMax H3. Короткий кинематографичный кадр под рекламу — Veo 3.1 за фиксированную сумму. А если ролик должен собираться из нескольких сцен, любой из этих моделей хватит на отдельные клипы, сборку возьмёт на себя Монтажная студия.

Цена на карточке — минимальная сумма за самый короткий ролик: 12 ₽ у PixVerse V6 — это три секунды в 360p без звука, 148 ₽ у MiniMax H3 — четыре секунды. Итоговая сумма всегда стоит на кнопке «Создать» до нажатия, и именно она спишется с баланса.

Частые ошибки и как их избежать

• Слишком длинная реплика. Речь произносится со скоростью примерно два слова в секунду. Если на десятисекундный ролик написать сорок слов, модель начнёт тараторить или оборвёт фразу. Норма — 12–16 слов на десять секунд.
• Сразу генерировать в 1080p. Первый вариант почти никогда не попадает в задумку. Проверьте сцену в 360p, поправьте описание и только потом переходите в высокое качество.
• Описание без действия. Перечисление предметов даёт статичный кадр. Пишите, что происходит: кто двигается, куда едет камера, что меняется в сцене.
• Формат выбран после генерации. Обрезка горизонтального ролика под вертикальную ленту съедает края кадра, где обычно и находится главное. Ставьте 9:16 сразу.
• Референсы без имён в тексте. Загрузить фото мало — на него нужно сослаться. Без «@Image1» модель сама решает, что делать с вашими картинками, и часто решает не так.
• Ожидание монтажа от одной генерации. Модель делает одну сцену длиной до 15 секунд. Смена планов, титры и музыкальная подложка — это уже задача монтажа, для этого есть отдельный инструмент.
• Важная реплика доверена голосу самой модели. Для пробы это нормально, а в ролике, который уйдёт клиенту, одно исковерканное слово перечёркивает всё. Включите «Русскую озвучку»: диктор прочитает текст без ошибок, а стоит это 13 ₽ за тысячу знаков.
• Модель выбрана по названию, а не по задаче. Пятнадцать секунд в 1080p у PixVerse V6 стоят 285 ₽ со звуком, а тот же хронометраж у MiniMax H3 — 555 ₽. Если 2K не нужен, разница уходит впустую; если нужен — экономия на PixVerse обернётся перегенерацией. Сверяйтесь с таблицей выше.

Частые вопросы

Как сделать видео со звуком на русском языке?

Включите переключатель «Со звуком» и напишите реплику точной фразой в описании — например: персонаж говорит: «Скидки до конца недели». Модель произнесёт её по-русски синхронно с картинкой. Отдельно заказывать озвучку не нужно.

Сколько времени занимает генерация?

Короткий ролик на 3–5 секунд обычно готов за минуту. Пятнадцатисекундный в высоком качестве может занять несколько минут — это нормально, вкладку можно не держать открытой, результат появится в истории генераций.

Можно ли оживить фотографию человека?

Да, режим «Оживить фото» работает с портретами. Помните, что модель достраивает движение по своему представлению: чем крупнее план и чем чётче исходник, тем предсказуемее результат. Для говорящей головы с точной синхронизацией губ под ваш аудиофайл есть отдельный инструмент оживления и озвучки.

Что делать, если результат не понравился?

Изменить описание и запустить заново. Генерация — процесс вероятностный, и второй запуск с уточнённой формулировкой часто даёт заметно лучший кадр. Чтобы перезапуски не били по бюджету, держите пробы в 360p.

Почему не открывается выбор формата кадра?

Формат выбирается только в режимах «По описанию» и «Референсы». В оживлении фото, переходе между кадрами и продлении пропорции берутся из загруженного файла, поэтому строка формата скрыта — это не ошибка.

Какой ролик можно загрузить для продления?

MP4, MOV или WebM размером до 50 МБ, кадр — до 1920 пикселей по стороне. Более крупное видео кабинет уменьшит автоматически при загрузке и покажет сообщение о том, что размер был изменён.

Нужна ли подписка?

Нет. Оплата идёт с общего рублёвого баланса кабинета: сколько роликов сделали, столько и списалось. Баланс общий для всех инструментов — текста, картинок, видео и озвучки.

Можно ли сделать видео длиннее 15 секунд?

Одной генерацией у PixVerse V6 — нет, 15 секунд здесь потолок. Есть два пути. Первый — режим «Продлить»: загружаете готовый ролик и заказываете ещё до 15 секунд, платите только за добавленные. Второй — модель Seedance 2.5 в той же вкладке: её ползунок ходит до 30 секунд, но и тариф выше, от 20 ₽ за секунду.

Сколько стоит минута видео нейросетью?

Считайте по тарифу за секунду. Минута из четырёх 15-секундных клипов PixVerse V6 в 720p со звуком — 60 × 10 ₽ = 600 ₽; черновик той же минуты в 360p без звука — 240 ₽. Для сравнения, у MiniMax H3 та же минута в 2K обойдётся в 2 220 ₽. Поэтому черновики делают дёшево, а в высоком качестве повторяют только утверждённые сцены.

Можно ли озвучить ролик своим голосом?

Да. В переключателе «Русская озвучка» выберите «Мой голос» — понадобится клон голоса, который вы заранее создали в кабинете по своей записи. Озвучка клонированным голосом стоит 10 ₽ за каждую начатую тысячу знаков, а если герой в кадре должен произносить текст сам, добавится синхронизация губ по 10 ₽ за секунду.

Чем эта модель отличается от других видеонейросетей в кабинете?

Ценой и набором режимов: это самая доступная цена за секунду в каталоге, и единственная модель, где в одном месте есть переход между кадрами, сборка по семи референсам и продление готового ролика. Модели с более высоким разрешением и другой эстетикой — MiniMax H3 с его 2K или Veo 3.1 — стоят дороже. Таблица с ценами всех видеомоделей кабинета — выше в этом уроке, а подробное сравнение бюджетных моделей есть в уроке про выбор видеомодели под задачу.

Советы напоследок

• Держите шаблон описания: сцена, действие, движение камеры, стиль, реплика в кавычках. По такому каркасу результат стабильнее, чем по свободному тексту.
• Сохраняйте удачные описания — они переиспользуются между роликами с минимальной правкой.
• Для серии роликов об одном продукте работайте через референсы: один и тот же загруженный образ держит визуальную линию.
• Если нужен ролик длиннее 15 секунд, сделайте два клипа и склейте их: сначала основную сцену, затем продолжение через режим «Продлить».
• Начинайте изучение с базового урока о создании видео нейросетями, а когда появятся готовые ролики — посмотрите как редактировать видео нейросетью.
• Что именно изменилось в кабинете с приходом этой модели, описано в новости о запуске PixVerse V6.