Как создать видео со звуком нейросетью: MiniMax H3

Как создать видео со звуком нейросетью, не собирая ролик из кусков в редакторе — разбираем на модели MiniMax H3 в кабинете Вайб-Маркетолога. К концу урока вы сможете сделать три разных ролика: короткий рекламный по текстовому описанию, оживший кадр из своей фотографии и сборный ролик, где движение камеры взято с одного источника, герой — со второго, а голос — из аудиофайла. Отдельно разберём, где смотреть цену до списания и на чём чаще всего теряют деньги новички.

lk.vibemarketolog.ru/video

Видео со звуком нейросетью: что это и когда использовать

MiniMax H3 — видеомодель, которая делает картинку и звук за один проход. Это её главное практическое отличие от привычной связки «сгенерировать ролик — потом озвучить — потом свести». Разрешение на выходе — 2K, то есть выше Full HD; длительность выбирается от 4 до 15 секунд, а звуковая дорожка приходит внутри того же mp4-файла.

Брать её стоит, когда важно, чтобы звук совпадал с картинкой по смыслу и по таймингу: шаги звучат ровно тогда, когда персонаж идёт, а дождь — ровно там, где он в кадре. В сценариях, где звук вторичен и всё равно будет заменён фирменной музыкой, разумнее сэкономить и взять более дешёвую модель — например, Seedance 2 Mini, у него посекундный тариф ниже. Если же нужен точный липсинк русской речи, посмотрите урок про Gemini Omni: там речь синтезируется под движение губ.

Три режима и как между ними выбрать

Модель одна, но работать с ней можно тремя способами, и переключатель находится прямо в панели настроек. Выбор зависит только от того, какой материал у вас уже есть.

«По описанию» — материала нет вообще, есть только идея. Модель придумывает сцену целиком по вашему тексту. Подходит для абстрактных заставок, атмосферных фонов, роликов-настроений.

«Оживить кадры» — есть готовая картинка: фотография товара, кадр из фотосессии, отрисованный макет. Изображение становится опорным кадром, и ролик строится от него. Это самый предсказуемый режим: то, что на фото, останется в кадре.

«Референсы» — есть несколько разных источников, и хочется взять от каждого своё. Сюда можно загрузить до девяти изображений, до трёх видео и до трёх аудиофайлов одновременно, а в описании объяснить, что из чего берётся.

lk.vibemarketolog.ru/video

Для кого этот инструмент

Селлеру на маркетплейсе. Задача — оживить карточку товара, не потеряв сам товар. Берёте студийное фото, режим «Оживить кадры», описываете лёгкое движение — получаете короткое видео, где кружка остаётся вашей кружкой. Пропорции берутся из исходника, поэтому квадратная карточка останется квадратной.

SMM-специалисту. Вертикальный формат 9:16, длительность до пятнадцати секунд и готовый звук закрывают полный цикл производства Reels: не нужно отдельно искать музыку и подгонять её по длине. За смену можно собрать неделю контента.

Таргетологу. Посекундная оплата позволяет прогонять гипотезы дёшево: четыре секунды стоят 148 ₽, и это нормальная цена теста. Победивший вариант потом можно пересобрать на пятнадцать секунд.

Владельцу небольшого бизнеса без дизайнера. Никаких программ ставить не нужно: всё делается в браузере, оплата рублями с баланса, результат скачивается готовым файлом.

Продюсеру и монтажёру. Режим референсов заменяет часть ручной работы: перенести проезд камеры с чужого ролика на свою сцену — это запрос из одной фразы, а не вечер в редакторе.

Как создать видео со звуком: пошагово

1. Войдите в кабинет и откройте вкладку «Видео». Прямая ссылка — lk.vibemarketolog.ru/video. Если аккаунта ещё нет, зарегистрируйтесь: новым пользователям начисляется приветственный бонус на баланс, его хватает на первый тест.
2. Выберите карточку MiniMax H3. Она третья в ряду моделей — после Seedance 2.5 и PixVerse V6, — с пометкой NEW и подписью «2K + стереозвук». Нажатие на карточку раскрывает панель настроек ниже.
3. Определитесь с режимом в строке «Режим». Под кнопками появляется подсказка, что именно делает выбранный вариант, — она меняется при переключении.
4. Загрузите материал, если режим этого требует. В «Оживить кадры» появится одна зона для изображений, в «Референсы» — сразу три: фото, видео и аудио. Файлы подтягиваются перетаскиванием или обычным выбором с диска.
5. Поставьте длительность ползунком от 4 до 15 секунд. Справа от него сразу показывается итоговая цена, а под ползунком — из чего она сложилась.
6. Выберите формат кадра. Доступны 16:9, 9:16, 1:1, 4:3, 3:4 и 21:9, а в режиме референсов есть ещё вариант «Как в исходнике». В режиме кадров строка формата не показывается вовсе — пропорции берутся из вашего изображения.
7. Опишите сцену в поле «Опишите видео». Это самый важный шаг, ему посвящён отдельный раздел ниже.
8. Нажмите кнопку с ценой. Сумма на кнопке — ровно то, что спишется. Генерация идёт от одной до нескольких минут, страницу можно не держать открытой.
9. Заберите результат из блока «Мои видео» под формой. Ролик проигрывается прямо там, скачивается в исходном качестве и остаётся в истории.

Как писать описание, чтобы попасть с первой попытки

Модель хорошо держит инструкцию, и это меняет правила: выигрывает не красивый текст, а точный. Ниже — четыре приёма, которые дают наибольшую разницу в результате.

Разложите ролик по секундам

Пятнадцать секунд — это уже маленький сюжет, и без разметки модель начинает метаться. Пишите отрезками: «0–5 секунд: общий план мастерской, камера медленно едет вперёд. 5–10 секунд: руки мастера собирают изделие, крупный план. 10–15 секунд: готовая вещь на столе, камера замирает». Такая структура убирает разваливающиеся на несвязанные куски генерации.

Опишите звук отдельной строкой

Звук здесь подчиняется тексту так же, как картинка. Добавьте в конце строку вида «Звук: стук инструмента по дереву, тихая гитара на фоне, шум улицы за окном». Если этой строки нет, модель придумает звуковую картину сама — иногда точно в цель, иногда совсем не туда. Реплику героя пишите дословно и уточняйте, что произнести её нужно один раз.

Отдельно перечислите, чего быть не должно

Короткий запретительный список в конце промпта заметно снижает долю брака: «без текста и логотипов в кадре, без резких склеек, без посторонних людей на фоне, без искажений рук». Каждая такая строка экономит одну повторную генерацию, а значит и деньги.

В режиме референсов нумеруйте источники

Модель различает загруженные файлы по порядку, поэтому надёжнее всего ссылаться на них явно: «Видео 1», «Изображение 2», «Аудио 3». Формулировка «повтори движение камеры из Видео 1, героя возьми с Изображения 2, музыку — из Аудио 3» работает точнее, чем расплывчатое «сделай похоже на референсы».

Разбор опций и настроек

Ползунок длительности

Диапазон от 4 до 15 секунд, шаг — одна секунда. Каждая секунда стоит одинаково, поэтому ползунок — это прямая ручка управления бюджетом. На практике четырёх секунд достаточно для проверки идеи и композиции, шести-восьми — для карточки товара, десяти-пятнадцати — для полноценного рекламного ролика с развитием сюжета.

Формат кадра

16:9 — универсальный горизонтальный, для сайта, YouTube и презентаций. 9:16 — вертикальный, для Reels, Shorts и сторис. 1:1 — квадрат для ленты. 4:3 и 3:4 удобны для карточек товара. 21:9 — широкий кинематографический, хорошо смотрится в шапке лендинга. В режиме референсов доступен ещё вариант «Как в исходнике»: модель подстраивается под пропорции загруженного материала.

Зона изображений

В режиме кадров сюда кладут один-два снимка: первый становится начальным кадром, второй, если он есть, — финальным. В режиме референсов изображений может быть до девяти, и это уже не кадры, а образцы: лицо героя, фирменный цвет, фактура материала. Первые пять изображений бесплатны — этого обычно хватает, чтобы показать персонажа с разных ракурсов.

Зона видео

До трёх роликов, каждый до 50 МБ. Здесь есть важная особенность, о которой стоит помнить с самого начала: секунды загруженного видео тарифицируются наравне с секундами результата. Об этом подробно — в разделе про цену. Ролики длиннее пятнадцати секунд обрезаются при загрузке автоматически, чтобы референс не оказался дороже самой генерации.

Зона аудио

До трёх файлов MP3 или WAV, до 10 МБ каждый, и они полностью бесплатны. Единственное ограничение: аудио не работает в одиночку — рядом обязательно должно быть изображение или видео. Если загрузить только звук, кнопка генерации останется заблокированной.

Русская озвучка поверх ролика

Под панелью настроек стоит переключатель «Русская озвучка» — общий слой для видеомоделей кабинета, и MiniMax H3 его поддерживает. Он решает ту самую проблему, о которой ниже сказано в ошибках: собственный голос модели по-русски звучит атмосферно, но слова иногда коверкает. Включаете переключатель, пишете текст реплики, выбираете, как она звучит — закадровым голосом поверх сцены или из уст героя в кадре, — и чей это голос: один из шести дикторов платформы или «Мой голос», если вы уже создали клон собственного голоса.

Слой оплачивается отдельно, и его цена показывается под полем текста: диктор — 13 ₽ за каждую начатую тысячу знаков, клонированный голос — 10 ₽. Режим «герой в кадре» добавляет синхронизацию губ по 10 ₽ за секунду ролика; если синхронизация не удастся, придёт ролик с закадровым голосом, а разницу вернут. Счётчик под полем показывает, сколько знаков помещается в выбранную длительность, — примерно 13 знаков на секунду, и текст длиннее ролика панель не пропустит.

Сколько стоит

Тариф один и не зависит ни от режима, ни от формата, ни от того, нужен вам звук или нет: 37 ₽ за секунду готового ролика. Разрешение 2K и стереодорожка входят в стоимость.

Строка про видео-референс — единственная, которая обычно вызывает вопросы, поэтому объясним подробно. Модель обрабатывает загруженный ролик так же, как генерирует свой, и берёт за это по той же ставке. Формула простая: оплачиваются секунды результата плюс секунды исходника. Просите десять секунд и даёте четырёхсекундный референс — платите за четырнадцать, то есть 518 ₽.

Чтобы это не оказалось сюрпризом, подсказка под ползунком раскладывает сумму по составляющим: сколько секунд видео, сколько секунд исходника, сколько изображений сверх бесплатных. Длительность вашего файла измеряется на сервере сразу после загрузки, поэтому цена в подсказке уже учитывает его до того, как вы нажмёте кнопку.

Подписки нет, деньги на балансе не сгорают, оплата российскими картами. Один и тот же баланс тратится на любые инструменты кабинета — видео, картинки, озвучку, тексты.

Частые ошибки и как их избежать

• Загрузить только аудио и ждать результата. Кнопка останется серой: звуковой референс работает только в паре с изображением или видео. Добавьте хотя бы один кадр.
• Взять длинный видео-референс «на всякий случай». Его секунды оплачиваются. Заранее вырежьте нужный фрагмент — три секунды проезда камеры дают тот же эффект, что и тридцать, но дешевле почти на тысячу рублей.
• Не описать звук. Самая частая причина разочарования: картинка получилась, а звук «не тот». Модель не читает мысли — допишите строку со звуком.
• Просить пятнадцать секунд с первой попытки. Композицию, свет и стиль проверяют на четырёх секундах за 148 ₽. Когда кадр устраивает, тот же промпт разворачивают на полную длину.
• Грузить в режиме кадров девять изображений. Здесь работают только опорные кадры: первый и последний. Всё остальное игнорируется — если нужны именно образцы, переключитесь в режим референсов.
• Писать промпт в две строки. «Красивое видео с товаром» модель выполнит по-своему. Пять строк конкретики дают результат, ради которого стоило платить.
• Ждать точного липсинка русской речи от самой модели. Это не её сильная сторона: она даёт атмосферный звук и голос, но слова может исказить. Для чистой русской речи включайте слой «Русская озвучка» в режиме «герой в кадре» (диктор 13 ₽ за тысячу знаков плюс 10 ₽ за секунду на синхронизацию губ) или используйте Gemini Omni.

Частые вопросы

Как сделать видео со звуком нейросетью, если у меня нет никаких материалов?

Возьмите режим «По описанию» — он не требует ни фотографий, ни роликов. Опишите сцену текстом, отдельной строкой опишите звук, поставьте четыре секунды и посмотрите на результат за 148 ₽. Если направление верное, увеличьте длительность и повторите с тем же описанием.

Сколько стоит одна генерация?

37 ₽ за секунду итогового ролика: от 148 ₽ за четыре секунды до 555 ₽ за пятнадцать. Дополнительно оплачиваются только изображения начиная с шестого (по 11 ₽) и секунды загруженного видео-референса (по той же ставке 37 ₽). Аудио бесплатно.

Почему кнопка генерации не нажимается?

Три обычные причины. Не заполнено описание — оно обязательно во всех режимах. Не загружен кадр в режиме «Оживить кадры». Или в режиме референсов есть только аудио, без изображения и видео. Ещё кнопка блокируется, пока файл загружается на сервер, — дождитесь окончания.

Можно ли задать первый и последний кадр?

Да, для этого и нужен режим «Оживить кадры»: загрузите два изображения, первое станет началом ролика, второе — финалом. Модель построит движение между ними. Если загрузить только одно, оно будет начальным кадром, а развитие сцены модель придумает по вашему описанию.

Чем этот способ отличается от монтажа в редакторе?

Скоростью и порогом входа: не нужно ни программы, ни навыка работы с таймлайном, а результат приходит за минуты. Взамен вы теряете покадровый контроль — нейросеть интерпретирует описание, а не выполняет его буквально. Поэтому связка часто выглядит так: сцены генерируются здесь, а сборка нескольких сцен в единый сюжет делается в Монтажной студии.

Что будет, если результат не понравится?

Неудачная генерация — это обычный расход, как кадр в фотосъёмке: деньги за выполненную работу не возвращаются. А вот если генерация технически не удалась и файла нет, сумма возвращается на баланс автоматически, обращаться в поддержку не нужно. Именно поэтому имеет смысл проверять идею на четырёх секундах.

Нужна ли подписка или иностранная карта?

Нет. Кабинет работает из России напрямую, оплата рублями с баланса, никаких ежемесячных списаний. Никаких обходных путей для доступа к модели не требуется — связь с ней держит наша сторона.

Чем MiniMax H3 отличается от Seedance 2.5 и PixVerse V6?

Разрешением, ценой и длиной. MiniMax H3 — единственная из трёх с 2K и стереозвуком, 37 ₽ за секунду при длине 4–15 секунд. Seedance 2.5 даёт до 1080p, зато ролик до 30 секунд одной генерацией и тариф от 20 ₽ за секунду в 480p до 82 ₽ в 1080p. PixVerse V6 — самая доступная: от 4 ₽ за секунду в 360p до 19 ₽ в 1080p со звуком, пять режимов, включая продление готового ролика. Правило простое: черновики и вертикальные ролики для ленты — PixVerse V6, длинные сцены — Seedance 2.5, максимум качества и объёмный звук — MiniMax H3.

Где посмотреть готовые ролики?

В блоке «Мои видео» сразу под формой генерации и в общей истории кабинета. Файлы хранятся и доступны для скачивания в исходном качестве, повторно платить за скачивание не нужно.

Советы напоследок

• Сохраняйте удачные описания в отдельный файл. Хороший промпт переиспользуется десятки раз с заменой одного-двух слов.
• Для серии роликов в едином стиле держите один и тот же набор референс-изображений: так герой и цветовая гамма не «поплывут» между сценами.
• Начинайте день с четырёхсекундных тестов, а длинные ролики собирайте уже по проверенным описаниям — это самая экономная стратегия.
• Сравните модели между собой на одной задаче: Seedance 2 Mini дешевле, Veo 3.1 кинематографичнее, MiniMax H3 выигрывает по разрешению и звуку.
• Что именно изменилось в кабинете с появлением модели — коротко рассказано в новости об обновлении.
• Если ролик нужен регулярно и по расписанию, посмотрите на общий обзор видеомоделей: там разобрано, какую задачу какой моделью закрывать выгоднее.