音はもうできている: 音声編集のいらないAI動画

短い動画を作ったことのある人はたいてい知っています。映像は前半にすぎません。そのあとに後半が来ます。書き出して、編集ソフトを開いて、合っていて使用が許諾された音楽を探して、効果音をいくつか見つけて、映像に並べて、タイミングが微妙にずれていることに気づいて、直して、また書き出す。素材を作るより長くかかることが普通にあります。

ここにはその後半がありません。 Fellowi Video のクリップは、映像と同時に、同じ場面のために作られた音を中に入れて返ってきます。

実際に届くもの

MP4が一本、映像トラックと音声トラックがすでにひとつにまとめられた状態で。並べるための映像と別のサウンドトラックでもなく、ミックスするためのステムでもありません。どのプレーヤーでも音が鳴り、どのプラットフォームにもそのまま上げられ、誰にでも説明なしに送れる一本のファイルです。

スタジオではこのスイッチが既定でオンで、価格は変わりません。費用はモデルと解像度と長さで決まり、音はその計算のどこにも入っていません。720pターボの4秒は音ありでも500コイン、音なしでも500コイン。つまりオンのままにしても無料で、切っても何も浮きません。

他のツールの癖で逆を想定しがちなので、はっきり書いておきます。音声用の別枠のクレジットはなく、待たされる別の音声生成工程もなく、二度目のレンダリングもありません。

プロンプトがミキサー卓

音は同じ場面のために生成されるので、同じ一文で操れます。 動画プロンプトのガイド が、よいプロンプトが答えるべき五つ目として音を挙げているのはこのためです。何が聞こえるかについての一節は、何が動くかについての一節と同じだけの価値があります。

何も言わなければ、モデルはその場面にありそうな音を選びます。たいていは問題なく、ときどき思っていたものとは違います。ひとつ言えば、たいてい聞いてくれます。

• 「rain against the window, muffled traffic below」
• 「a quiet room, a clock ticking, nothing else」
• 「wind through pines, distant water」
• 「low ambient music, no percussion」
• 「a busy cafe behind her, cups and conversation, no music」

映像側から持ち込む価値のある癖が二つ。五つではなくひとつを名指すこと。音の風景にも画と同じだけの注意の予算しかなく、六つ並べれば全部の濁った平均が返ってきます。そして必要なときは「ない」ことを名指すこと。「no music」や「nothing else」は、望まないものを書くのが働く数少ない場合です。静けさは描くべき物体ではなく、音声トラックの実在する状態だからです。

切ったほうがよいとき

正直な場合が三つあり、どれも品質の話ではありません。

自分で音楽を付ける。 自前の音楽が乗る流れにクリップを組み込むなら、下に生成された環境音が入っていても、選んだ曲と争うだけです。切ってタイムラインをきれいに保ってください。

特定の楽曲が必要。 ブランドの音のアイデンティティ、ライセンスを取った曲、その曲を軸に組み立てた作品。生成物が特定の録音の代わりになることはありませんし、なろうとすべきでもありません。

誰も聞かない。 縦型のソーシャル動画はミュートで自動再生され、多くの視聴者は最後までミュートを解きません。 ソーシャル向け縦型動画の記事 は同じことを逆から述べています。最初の一秒が無音で成立しなければならないなら、プロンプトは音ではなく動きに使ってください。

これが代わりにならないもの

返ってくるものは、あなたの台本で仕事をする声優ではなく、その場面そのものの音だと考えてください。正確な言葉が正確な瞬間に立つことや、拍にぴったり切ることに依存するクリップなら、それは今も編集ソフトの仕事ですし、そうあるべきです。この機能の誠実な説明は、音声作業の定型的な半分をなくすのであって、全部ではない、というものです。

とはいえ、なくなるのはその大部分です。ただ無音でなければよいという膨大な数のクリップにとって、かつて一時間かかっていた工程が、いまは費用ゼロで、見ていないあいだに済んでいます。

どちらの経路でも音は付きます。テキストで一から場面を書いても、手元の静止画を動かしても。どちらがよいか迷うなら 比較の記事 が一文で決めてくれます。四つのモデルや最長30秒の長さを含むつまみ一式は 操作パネルの記事 にあります。いずれにせよ、何かを変えると決める前に、音量を上げて結果を再生してみてください。