Té de burbujas de mono Sichuan

Datos de referencia

Genera voz, ambiente y música junto con la salida de video. Cómo funciona: en lugar de generar video silencioso y añadir audio en posproducción, el modelo produce imagen y sonido en la misma pasada. Lee el contexto visual — movimientos labiales de personajes, tipo de entorno, intensidad de la acción — y genera voz, ambiente, efectos de sonido o música de fondo que coincidan. Los prompts de texto pueden guiar el estilo de audio ('BGM electrónico animado', 'sonidos suaves de bosque ambiental', 'locución femenina en inglés'). Cuándo usarlo: producción publicitaria donde cada variante necesita locución localizada; cortos de redes sociales donde el BGM y el timing importan pero la sincronización manual es demasiado lenta; prototipado de escenas donde quieres evaluar imagen y sonido juntos antes de invertir en audio profesional; contenido multilingüe donde el mismo video necesita locuciones en diferentes idiomas. Consejos y notas prácticas: para mejores resultados de sincronización labial, mantén los rostros de los personajes claramente visibles y sin obstrucciones. Especifica el idioma y tono de voz en tu prompt — 'narrador masculino calmado en japonés' da mejores resultados que simplemente 'añadir voz'. Al combinar audio nativo con sincronización musical, el modelo puede manejar la alineación de ritmo del BGM y el diálogo simultáneamente. Revisa el audio en la primera pasada para detectar problemas de timing temprano en lugar de generar muchas variantes antes de verificar.

Si un vídeo aún necesita música de fondo, ambiente o diálogo sincronizado con los labios, el modelo puede generar imagen y sonido juntos para que esas opciones de audio se puedan revisar en la misma pasada.