Audio de Video
Este Skill se encarga del diseño de sonido y la coherencia de voz entre tomas en la producción de videos, pero no establece un directorio audio/ independiente a nivel de proyecto.
Los recursos de sonido reutilizables a largo plazo se colocan en video/materials/, por ejemplo:
video/materials/voices/CHR01_voice.mdvideo/materials/voices/CHR01_reference.wav
Los diálogos, respiraciones, efectos de sonido o sonidos temporales exclusivos de una toma continúan en la carpeta correspondiente video/shots/<shot-id>/; la música general, la narración, la mezcla y el proyecto de sonido final se gestionan en video/edit/.
Los límites de responsabilidad entre las capas de sonido completas, los sonidos generados de forma nativa y los sonidos posteriores se detallan en references/SOUND-LAYERS.md. Cuando el video necesita música de fondo, marcas / motivación de personajes, música temporal para Animatic o banda sonora generada por IA, se debe leer references/MUSIC.md: la música temporal y la formal se separan claramente; la música sirve a la historia / diálogo / producto, no interrumpe el ritmo del personaje solo para ajustarse a los puntos de sincronización. Cuando exista un narrador, voz en off interior de personaje, narración de marca o voice-over explicativo, se debe leer references/VOICEOVER.md: el texto de la narración pertenece a video-script, la identidad de la voz / generación pertenece a este Skill, y la narración final de toda la película se coloca en video/edit/.
1. Primero, distinguir tres tipos de sonido
Sonido a largo plazo del personaje
Requiere una sensación de edad, expresión de género, rango vocal, timbre, posición de resonancia, velocidad de habla predeterminada, volumen, ritmo y hábitos de pronunciación y pausa estables en todas las tomas.
Sonido exclusivo de la toma
Pertenece solo a una toma específica: diálogos, respiraciones, suspiros, gritos, pasos, colisiones de objetos y cambios ambientales que acompañan a la toma; no se copian a la definición de sonido común.
Sonido general de la película
La música de fondo, la narración general, el diseño de sonido global y la mezcla final solo son gestionados por video-editing cuando se entra en la postproducción.
2. Diseño de voz del personaje
Cuando un personaje tiene diálogos en múltiples tomas, primero se establece la definición de voz y luego se genera o graban las líneas específicas. La definición de voz del personaje debe describir al menos lo necesario para el proyecto actual: sensación de edad, rango vocal básico, timbre, resonancia, velocidad de habla predeterminada, volumen predeterminado, ritmo de habla, características de pronunciación, variaciones según la emoción y las prohibiciones de deriva de voz.
Para una plantilla detallada, consulte references/VOICE-DESIGN.md.
3. Separar identidad de voz y emoción
Un mismo personaje puede cambiar la reverberación, la sensación de espacio ambiental, un ligero ecualizado, la emoción actual y la intensidad del habla actual a lo largo de escenas y mundos, pero la sensación de edad básica, el timbre básico, el rango vocal, los hábitos de pronunciación y el ritmo central no deben cambiar aleatoriamente.
Si la herramienta de generación proporciona speaker ID, voice reference, voice seed, speaker embedding o un mecanismo de estabilización equivalente, se debe priorizar la reutilización del mismo mecanismo de identidad; los campos específicos están determinados por las reglas oficiales de la herramienta / modelo actual; este Skill no los fija.
4. Diálogo e imagen
La planificación de la duración del diálogo, la sincronización labial visible, las conversaciones entre múltiples personajes y la continuidad del sonido entre tomas pertenece a video-script; cuando la tarea actual realmente necesita esta parte, cargue ese Skill según sea necesario, si falta, devuélvalo a akira-video para completarlo, en lugar de copiar las reglas del guion en este Skill. Este Skill solo se encarga de la identidad de la voz y la interpretación vocal actual.
El texto del diálogo sigue siendo propiedad de video-script; este Skill solo se encarga de la interpretación de la voz. Cuando se necesite un modelo de video con sincronización de voz, se compilan el diálogo, el tono, las pausas y los eventos de sonido en el prompt de generación, pero no se agregan líneas que no existían originalmente solo para aprovechar la capacidad de sonido nativo del modelo.
5. Silencio intencional
Si un pasaje largo sin diálogo es sostenido por suspense, peligro, música, clímax visual o la acción misma, se debe indicar claramente el propósito director del silencio en el SHOT.md. Si un personaje realiza acciones activas durante un período prolongado sin diálogo, sonido de reacción, sonido ambiente o música que sostengan la narrativa, se debe devolver a video-shot para verificar si se ha formado un segmento muerto.
6. Cuando se necesita generación externa de sonido
Se deben pasar la definición de voz del personaje, las líneas actuales, el audio de referencia y el nombre de retorno a video-generation, que los empaquetará según el contrato de paquete de generación único; este Skill no establece por sí mismo otra estructura de directorios o reglas de archivos temporales.
7. Devolución para revisión y postproducción
- La deriva de identidad de voz, la sincronización labial, el tono, el rango vocal y la temporización son revisados por
video-review; - El audio exclusivo de la toma permanece en la toma;
- La música general, la mezcla, los subtítulos y el nivel de sonido final son gestionados por
video-editing.
Criterios de finalización
La voz del personaje puede ser identificada de manera estable entre tomas; los límites entre el sonido de la toma y el sonido general son claros; no se duplican archivos de audio solo para clasificación de directorios, ni se escriben parámetros específicos de speaker de herramientas como reglas universales.