ElevenLabs выпустила SFX v3: несколько звуков из одного запроса и меньше скрежета на гонгах

Кто хоть раз монтировал AMV, фанатский трейлер или ролик по игре, знает, сколько времени уходит на звук. Ищешь в библиотеке шаги по гравию, потом отдельно ветер, а потом выясняется, что они не сочетаются. Поэтому новость от ElevenLabs меня заинтересовала больше, чем очередной рекорд в бенчмарках.

Что изменилось

Компания выпустила SFX v3, третью версию своей модели, которая генерирует звуковые эффекты по текстовому описанию. По словам разработчиков, главное улучшение такое: модель лучше выполняет запросы, где описано сразу несколько звуков. В их примере это футбольный эпизод, где стадион ликует, мяч падает, а через пару секунд те же трибуны свистят. Раньше такую сцену приходилось собирать методом проб и ошибок.

Ещё два пункта:

• музыка и голос в запросах получаются убедительнее, так что можно смешивать музыкальную фразу или вокал с бытовыми шумами;
• меньше артефактов на «капризных» звуках вроде гонгов, колокольчиков и свистков: они должны звенеть, а не трещать.

Сравнение с SFX v2, судя по публикации, основано на внутреннем тестировании компании, так что независимые проверки ещё впереди.

Где попробовать

Модель уже работает в ElevenCreative: во вкладке звуковых эффектов, в Flows, в Studio и в музыкальном редакторе. Есть она и в мобильном приложении. Разработчики могут подключить её через ElevenAPI.

На мой взгляд, такие инструменты больше всего пригодятся тем, кто делает черновой звук для фанатских проектов и инди-игр. Набросать атмосферу сцены одним описанием, а потом заменить удачные куски на настоящие записи вполне разумно. Только с правами на использование лучше разобраться заранее, особенно если проект коммерческий.