AI-генератор видео со звуком: нативное аудио MiniMax H3

Есть момент, к которому приходит каждый рабочий процесс с AI-видео: клип выглядит отлично — и он абсолютно беззвучен. Вы идёте искать музыкальную подложку, TTS-инструмент для закадрового голоса, что-нибудь для звуковых эффектов — и обнаруживаете самое сложное: голос, записанный поверх видео, никогда по-настоящему ему не принадлежит. Тон помещения не тот, рот не двигается, шаги звучат в пустоту. Саунд-дизайн превращается во второе производство.

Именно этот разрыв закрыла H3 от MiniMax, выйдя 31 июля: она не добавляет звук к видео — она генерирует их вместе. Мы делаем Pixo, мультимодельную видеоплатформу, где H3 уже доступна в Playground, и из всей спецификации H3 именно эта возможность сильнее всего меняет ежедневную работу — поэтому вот как она ведёт себя на практике и как её промптить.

Что на самом деле значит «нативное аудио»

Каждый результат H3 выходит со стереозвуком, сгенерированным в одном проходе с картинкой. Из одного промпта получаются три слоя:

• Диалоги. Напишите реплику дословно — и персонаж её произнесёт, с липсинком, потому что движение рта и звук происходят из одной генерации. Перепишите реплику — и актёрская игра последует за ней.
• Эмбиенс. Сцена звучит как сцена: ветер над болотом, гул кухни, трафик за стеклом. Его не столько запрашивают, сколько забывают исключить.
• Эффекты. Контактные звуки ложатся туда, где происходит физика: крышка щёлкает при открытии, взмахи крыльев звучат, когда птица взлетает.

Отличие от дубляжа не тонкое. Наложенный пост-звук существует по поводу видео; сгенерированный звук — часть его. Когда персонаж отворачивается посреди фразы, голос поворачивается вместе с ним.

У кого есть звук, у кого нет

Аудио незаметно стало границей между поколениями моделей:

Поверх «есть аудио» H3 добавляет голосовой стек: text-to-speech на нескольких языках и клонирование голоса из референсной дорожки — загрузите голос, и диалоги будут генерироваться этим тембром. (Эта возможность заслуживает отдельного разбора; здесь остановимся на повседневном сценарии.)

Четыре правила промптинга звука

1. Диалог нужно прописывать. H3 не импровизирует реплики. Усталый голос говорит: «Открываемся через пять минут». сгенерирует именно это предложение — и ничего больше. Расплывчатые запросы («она говорит что-то ободряющее») дают расплывчатые результаты.

2. Решите, кто в кадре. Видимый говорящий получает липсинк; голос за кадром читается как повествование. И то и другое — одна строка промпта; разница лишь в том, помещаете ли вы говорящего в кадр.

3. Убейте музыку, если она не нужна. H3 с удовольствием озвучит ваш клип саундтреком. Если лицензированную музыку вы добавляете на посте — а в брендовой работе обычно так, — завершите промпт non-narrative music: N/A и держите дорожку чистой.

4. Аудиореференсы идут в связке, никогда — отдельно. Можно загрузить аудиодорожку (≤15MB), чтобы задать темп или характер голоса, но она должна сопровождать референсное изображение или видео — аудио не может быть единственным входом.

Три промпта для копирования

1. Диалог в кадре с липсинком (16:9)

Референсные файлы примера

Пример из мануала в том же регистре

Уютная ночная закусочная, тёплый вольфрамовый свет, лёгкий дождь за окном. Женщина
за тридцать сидит у стойки, обхватив руками кружку кофе. Она поднимает взгляд на
камеру и говорит: «Ты всегда заказываешь одно и то же». После реплики слегка
улыбается. Тихий эмбиенс закусочной — дождь, далёкое радио, столовые приборы.
Non-narrative music: N/A.

Почему это работает: один говорящий, одна прописанная реплика, один бит реакции. Список эмбиенса выстраивает звуковую сцену, не конкурируя с диалогом.

2. Продуктовый момент с закадровым голосом (9:16)

Вертикальное видео. Воронка для пуровера на деревянной стойке, утренний свет.
Горячая вода спиралью льётся из чайника в фильтр; поднимается пар; камера медленно
наезжает. Спокойный мужской голос говорит: «Тридцать граммов. Три минуты. Без
компромиссов». Звук льющейся воды и лёгкого пара. Non-narrative music: N/A.

Почему это работает: закадровое повествование полностью снимает риск липсинка, а физические звуки (льющаяся вода, пар) делают ту атмосферную работу, которую обычно имитирует музыкальная подложка.

3. Перформанс по референсам (три видео на входе, одна песня на выходе)

Video 1 задаёт движение камеры: хичкоковский долли-зум. Video 2 — субъект: женщина
пьёт кофе в уличном кафе. Video 3 задаёт песню и вокальное исполнение. Заставь
женщину из Video 2 петь — голос, фразировка и исполнение из Video 3, — пока камера
выполняет долли-зум из Video 1 на ней.

Почему это работает: три референса, три роли — камера, субъект, песня, — и аудио генерируется как исполнение, а не накладывается дорожкой. Это собственная демонстрация мануала: звуковая режиссура — просто ещё одна роль референса.

Попробуйте

MiniMax H3 уже доступна в Playground от Pixo: выберите Video → MiniMax H3, напишите промпт с репликой, которую нужно произнести, и сгенерируйте шот на 4–15 секунд в 768p или 2K — со звуком, с экспортом без водяного знака. Общую картину модели даёт материал что такое MiniMax H3; о том, как её аудиостек сравнивается со вторым флагманом, вышедшим в тот же день, — MiniMax H3 vs Seedance 2.5.

Часто задаваемые вопросы

Могут ли AI-генераторы видео создавать звук?

Некоторые могут, большинство — нет. MiniMax H3, Seedance, Veo 3.1 и Wan 2.6 генерируют аудио нативно; Kling 3.0 выдаёт беззвучное видео. H3 идёт дальше всех: каждый результат выходит со стереозвуком — диалоги, эмбиенс и эффекты, — сгенерированным в одном проходе с картинкой, а не наложенным потом.

Делает ли MiniMax H3 липсинк диалогов?

Да. Впишите точную реплику в промпт — и H3 сгенерирует голос вместе с картинкой, а движения губ персонажа совпадут со словами. Её text-to-speech охватывает несколько языков, так что диалоги не ограничены английским.

Как сделать AI-видео с закадровым голосом?

Впишите текст закадрового голоса дословно в промпт — например: Спокойный мужской голос говорит: «Хорошие инструменты растворяются в работе». H3 сгенерирует речь вместе с видео. Если говорящий в кадре — будет липсинк; если за кадром — это читается как повествование.

Можно ли отключить фоновую музыку?

Да — завершите промпт строкой «non-narrative music: N/A», и H3 оставит дорожку чистой: только диалоги, эмбиенс и эффекты. Этот режим нужен, когда лицензированную музыку бренда вы добавите на постпродакшене.

Могу ли я использовать собственное аудио как референс?

Да. Загрузите аудиодорожку (до 15MB) вместе с референсным изображением или видео — аудио не может быть единственным входом — и задавайте ею темп или характер голоса. H3 также поддерживает клонирование голоса из референсной дорожки.

Как это попробовать?

MiniMax H3 уже доступна в Playground от Pixo — генерируйте шоты по 4–15 секунд в 768p или 2K. Новые пользователи получают 200 бесплатных кредитов при регистрации, а на тарифы сейчас скидки до 55%.

MiniMax H3 уже доступна в Playground от Pixo — генерируйте шоты по 4–15 секунд в 768p или 2K с референсами изображений, видео и аудио. Зарегистрируйтесь сейчас — новые пользователи получают 200 бесплатных кредитов при регистрации, а на тарифы сейчас скидки до 55%. Снимаете продукты? См. видео товаров для e-commerce с H3.