Звук для AI-видео собирают отдельно и послойно: атмосфера, шумы, музыка, голос и сведение, которое выдерживает динамик телефона. Для сгенерированных роликов это важнее, чем для снятых, потому что клип из нейросети часто приходит вообще без звука либо со звуком, который не совпадает с соседним клипом. Тишина быстрее всего сообщает зрителю, что ничего из происходящего в кадре никогда не существовало.
Почему AI-видео без звука выглядит ненастоящим
Камера на реальной улице записывает машины, ветер, шаги и хлопнувшую где-то позади дверь. Этот звук никто не замечает, зато все замечают его отсутствие. Немой кадр, где женщина идёт по рынку, выглядит как рендер. Добавьте гул голосов, проезжающий скутер и стук её каблуков по камню, и те же самые пиксели превращаются в съёмку.
Звук ещё и прячет недостатки. В генерации всегда есть мелкие дефекты: дрогнувшая рука, странно ведущая себя ткань. Точно поставленный звук притягивает внимание к тому действию, за которым зритель должен следить. Кроме того, звук задаёт ритм. Склейка, попавшая в долю или в хлопок двери, кажется задуманной. Та же склейка в тишине кажется ошибкой.
Из каких слоёв состоит звуковая дорожка
| Слой | Что это | Что он даёт сгенерированному видео |
|---|---|---|
| Атмосфера | Непрерывный звук места: тон комнаты, улица, ветер, кафе | Убеждает, что место существует, и склеивает отдельные шоты в одну сцену |
| Синхронные шумы и эффекты | Звуки действий: шаги, ткань, чашка на столе, щелчок крышки | Придаёт предметам вес, движение начинает ощущаться физически |
| Музыка | Авторская или лицензированная | Задаёт настроение и темп, переносит зрителя через склейки |
| Голос | Закадровый текст или диалог, записанный либо синтезированный | Несёт смысл, всё остальное освобождает ему место |
| Сведение | Уровни, эквализация, компрессия, громкость | Делает всё разборчивым на динамике телефона и ровным от начала до конца |
Новички используют один слой, обычно музыку. Ощущение съёмки создают как раз те слои, что лежат под ней.
Как добавляют звук к немому сгенерированному клипу
- Сначала утвердите монтаж. Звук привязан к кадрам. Если делать его до финальной склейки, придётся делать дважды.
- Одна атмосфера на сцену, а не на шот. Непрерывная подложка под пятью шотами сообщает уху, что всё происходит в одном месте и в одно время.
- Расставьте шумы вручную. Пройдите по монтажу и отметьте каждое видимое действие: шаг, наливание, прикосновение. На каждое поставьте звук из библиотеки или записанный на телефон. Настоящий щелчок или шипение вашего продукта стоит десяти минут записи.
- Добавьте музыку и подгоните монтаж под неё, либо её под монтаж. Сдвиньте склейки на кадр или два, чтобы они совпали с долей.
- Запишите или сгенерируйте голос и расчистите ему место. Когда кто-то говорит, музыка уходит вниз.
- Сведите и проверьте на телефоне. Подробности ниже.
Сервисы, которые создают звуковой эффект по текстовому описанию, выручают, когда в библиотеке нет ничего похожего. Ставить звук на нужный кадр всё равно придётся руками.
Какие видеомодели сами генерируют звук
До 2025 года почти все видеомодели выдавали немые клипы. На сентябрь 2026 года ведущие модели создают звук синхронно с изображением:
- Veo 3.1 (Google). В документации Veo сказано, что модель изначально генерирует звук вместе с видео и понимает в промпте реплики, звуковые эффекты и фоновый шум. Там же отмечено, что полностью поддерживается английский язык, а остальные языки не оценивались.
- Kling 3.0 (Kuaishou). Речь, эффекты и музыка создаются за одну генерацию, движение губ привязано к каждому говорящему. Kling называет китайский, английский, японский, корейский и испанский языки. Русского в этом списке нет.
- Seedance 2.5 (ByteDance). Модель вышла 31 июля 2026 года: совместная генерация звука и видео, клипы до 30 секунд, аудиофайлы принимаются как референсы.
- Sora 2 (OpenAI) тоже генерировала звук, но OpenAI закрыла приложение Sora в апреле 2026 года, а отключение API назначила на 24 сентября 2026 года.
Это настоящий прогресс, и одиночному клипу такого звука может хватить. В смонтированном ролике возникает новая проблема. Каждый клип генерируется отдельно, поэтому у каждого свой тон помещения, своя громкость, а иногда и своё представление о голосе героя. Склейте пять таких клипов, и фон будет прыгать на каждой склейке. У сгенерированной музыки нет лицензии, которую можно предъявить. К тому же звук приходит одним сведённым файлом, и убрать музыку под голос уже не получится.
Поэтому в Zero Shot, лондонской студии AI-видео, мы относимся к встроенному звуку как к полезному черновику. Оставляем синхронные эффекты, которые сложно подделать, например шаг, попавший точно в кадр, а атмосферу, музыку и голос собираем заново на монтаже. Остальные этапы описаны в статье о том, как делают видео с помощью нейросети.
AI-голос или живой диктор
Синтезированные голоса уже подходят для большинства коротких закадровых текстов, и у них есть практические плюсы: изменённая фраза занимает минуту, голос одинаков во всех роликах, один сценарий можно выпустить на английском и на русском. Правда, второй язык требует большего, чем вторая звуковая дорожка: об этом наша статья про один рилс на русском и английском. Режиссура при этом нужна всё равно. Генерируйте каждую фразу несколько раз, прописывайте названия брендов «по звучанию» и вырезайте вдохи, попавшие не туда. В русском тексте отдельно проверяйте ударения: синтез в них нередко ошибается.
Диктор или актёр нужен, когда текст держится на эмоции или комическом тайминге, когда зритель будет слышать этот голос годами или когда акцент должен быть безупречным для конкретной аудитории. Чтобы клонировать голос реального человека, требуется его письменное согласие, как и для использования лица. Если ведущий появляется в кадре, смотрите раздел AI-ведущие и аватары, а о доверии к синтетическим персонажам читайте в материале об AI UGC рекламе.
Музыка: что можно бизнес-аккаунту
Здесь небольшие компании ошибаются чаще всего, потому что правила для личного аккаунта и для бизнеса разные.
Instagram. На справочной странице Meta о доступе к лицензированной музыкальной библиотеке сказано, что музыка в ней предназначена для личного некоммерческого использования, а у некоторых бизнес-аккаунтов и типов публикаций доступа к ней нет. Таким аккаунтам Meta предлагает Sound Collection: по её описанию, это более 14 000 треков и звуков без авторских отчислений, которые можно использовать в коммерческих целях, включая рекламу.
TikTok. На странице о Commercial Music Library TikTok пишет, что компании не могут использовать общую музыкальную библиотеку в коммерческих целях и должны брать музыку из коммерческой, причём и для обычных публикаций, и для рекламы. Бизнес-аккаунт при добавлении звука видит только эти треки.
Отсюда два следствия. Трендовая песня бренду почти никогда не доступна, даже в неоплачиваемом посте. И библиотека каждой площадки действует только внутри неё: рилс с треком из Sound Collection не разрешён автоматически для TikTok. Если ролик пойдёт везде или в платную рекламу, купите лицензию у музыкальной библиотеки либо у композитора и проверьте, что в ней названы платная реклама и нужные площадки. Если музыку сгенерировала нейросеть, прочитайте условия сервиса о коммерческом использовании. Это общая информация, а не юридическая консультация.
Какая громкость нужна и как сводить под телефон
Ни одна из трёх крупных площадок не публикует официальную норму громкости для коротких видео. Распространённый рабочий ориентир: около -14 LUFS интегральной громкости и истинные пики ниже -1 dBTP, чтобы сжатие на стороне площадки не искажало самые громкие места. Полезнее самой цифры четыре привычки:
- Голос должен быть заметно выше всего остального, а музыка уходит вниз, когда кто-то говорит.
- Не рассчитывайте на глубокий бас. Динамик телефона его почти не воспроизводит, и звук, живущий только в низах, просто исчезает.
- Проверяйте сведение в моно: телефон в вертикальном положении почти не даёт стереоэффекта.
- Слушайте на настоящем телефоне, на половине громкости, в комнате, где не идеально тихо. Если слова разборчивы, сведение работает.
Зачем субтитры, если звук хороший
Затем, что заметная часть зрителей его не услышит. Люди листают ленту в поезде, в офисе и в постели рядом со спящим человеком. Instagram и TikTok умеют создавать субтитры автоматически, но надёжнее вшитые субтитры, которые вы сами оформили и вычитали. Особенно это касается названий брендов, русской речи и роликов, где смешаны два языка. Держите их в безопасной зоне, не больше двух строк. Точные отступы собраны в нашей шпаргалке про безопасные зоны и настройки экспорта рилс. Рилс должен работать без звука и вознаграждать того, кто звук включил. О том, где размещать текст, рассказано в статье, как делать рилсы с помощью нейросети.
Если у вас есть сгенерированные кадры, в которых нет жизни, или нужны рилсы и короткие видео с готовым звуком, пришлите нам короткий бриф. Мы ответим фиксированной ценой.
Частые вопросы
Нейросети для видео умеют делать звук?
Некоторые уже умеют. На сентябрь 2026 года Veo 3.1 от Google, Kling 3.0 от Kuaishou и Seedance 2.5 от ByteDance создают речь, шумы и атмосферу вместе с картинкой. Многие другие инструменты и старые модели по-прежнему выдают немые клипы, а встроенный звук обычно приходится пересобирать после монтажа.
Можно ли поставить популярный трек в рилс бизнес-аккаунта?
Как правило, нет. Instagram пишет, что лицензированная музыкальная библиотека предназначена для личного некоммерческого использования, а TikTok направляет компании в Commercial Music Library. Пользуйтесь коммерческими библиотеками площадок или покупайте лицензию, которая покрывает рекламу.
Подойдёт ли AI-озвучка для рекламного ролика?
Для короткого закадрового текста чаще всего да, если кто-то режиссирует каждую фразу и исправляет произношение. Для эмоционального текста, юмора или голоса, который будет представлять бренд годами, надёжнее позвать диктора или актёра.
Какой громкости должен быть рилс?
Instagram, TikTok и YouTube не публикуют официальную норму громкости для коротких видео. Распространённый рабочий ориентир: около -14 LUFS интегральной громкости и истинные пики ниже -1 dBTP, с обязательной проверкой на динамике настоящего телефона.