Главное за 30 секунд

В мае 2026 у вас четыре рабочих источника звука для AI-Shorts: генерация по тексту через ElevenLabs Sound Effects (40 кредитов за секунду, до 30 секунд за раз), Freesound.org (десятки тысяч CC-сэмплов, бесплатно, часть с атрибуцией), Pixabay Sound Effects (120 000+ файлов, без атрибуции, коммерческое использование), Epidemic Sound ($9.99/мес при годовой оплате, YouTube Content ID pre-clearance) и Splice / Artlist как тяжёлая артиллерия для агентств.

Генеративные модели Veo 3, Veo 3.1 и Sora 2 возвращают видео без звука или с очень слабым ambient. Хорошие SFX — это +10–15% к удержанию, потому что около 80% зрителей в feed смотрят без звука только первые 1–2 секунды, а затем включают звук, если на превью что-то цепляет глаз. Если в этот момент звука нет — зритель свайпает.

Дальше — анатомия звука в шортсе, цены, лицензии и конкретный пайплайн для одного ролика на Veo 3 и Welder AI.

Почему звук — главный недооценённый рычаг в 2026

Прошлый год индустрия училась делать кадр: Veo 3 закрыл lip-sync, Sora 2 — физику, Kling 3 — динамику камеры. В 2026 у всех есть доступ к видео уровня «снято на телефон с операторской группой», и кадр перестал быть точкой дифференциации.

Точка дифференциации — звук. Конкретно:

• 73% удержание на YouTube Shorts против 65% на Reels объясняется не только алгоритмом, а тем, что Shorts чаще смотрят с включённым звуком (полноэкранный mode), а Reels — в ленте на mute.
• TikTok и Reels авто-включают звук на 2-й секунде, если предыдущее видео было со звуком. Это окно, в которое попадает ваш SFX.
• Платформы повышают вес видео с «audio engagement» (использование оригинального аудио другими креаторами). Хороший mix sfx + музыка + голос → выше шанс remix.

И при этом в 90% AI-Shorts, которые я смотрел в последние две недели, звуковая дорожка — это голос ElevenLabs + один loop из YouTube Audio Library + ничего больше. Зритель чувствует пустоту, даже если не может её сформулировать.

Анти-AI-look в Shorts 2026 — отдельный пост о визуальных приёмах, которые маскируют ИИ. Звук — половина этой задачи.

Шесть слоёв звука в AI-Shorts

Если разложить хороший шортс на слои, получится примерно так:

1. Голос — TTS (ElevenLabs v3, OpenAI Voice, Yandex SpeechKit, Murf) или собственная запись.
2. Музыка — фоновый трек (Suno v5.5, Udio, Epidemic, библиотека YouTube).
3. Ambient / атмосфера — фон сцены: улица, лес, кафе, тёмный коридор. Часто длится весь ролик на –18 dB.
4. Foley — точечные звуки действий: шаги, шелест одежды, удар кружки о стол.
5. SFX-акценты — whoosh при смене кадра, ding при появлении текста, drop при кульминации.
6. UI / mnemonic — короткий брендовый «джингл» канала на финале (1–2 секунды).

AI-видео из Veo и Sora содержит только #1 (если включён audio-режим Veo 3) и иногда слабый #3. Всё остальное докладывается на монтаже. Минимум, который заметен зрителю — слои 1, 2, 3 и 5. Foley и UI — для каналов с серьёзным retention-фокусом.

Для раскладки звука по сценам полезно держать раскадровку в 6 кадров — там сразу видно, где нужен whoosh, где Foley, где брейк музыки.

Сравнение: 5 источников SFX для ИИ-креатора

По умолчанию для AI-канала на старте достаточно связки Pixabay + ElevenLabs Sound Effects на платном тарифе. Когда канал начнёт зарабатывать $500+ в месяц — стоит подключить Epidemic ради YouTube Content ID safety и более чистой ambient-библиотеки.

ElevenLabs Sound Effects: когда генерация лучше библиотеки

ElevenLabs выкатил sound-effects-эндпоинт ещё в начале 2024, но к 2026 модель сильно подтянулась: длина выросла с 22 до 30 секунд за один запрос, а качество ambient-сцен подошло вплотную к лучшим записям Freesound. Цена — 40 кредитов за секунду при фиксированной длительности или 200 кредитов за «авто-длину».

Генерация бьёт библиотеку в трёх сценариях:

1. Точно под действие. «Шорох туники римского легионера по гравию, шаг 2 раза» — в Freesound вы будете час подбирать пресет, в ElevenLabs получите ровно то, что нужно, за 15 секунд. Для каналов про античность, средневековье, фэнтези — это game changer.
2. Брендовый звук. Уникальный whoosh или sting под канал, который никто не использовал. Зритель привыкает к сигнатуре и распознаёт ваш контент в ленте.
3. Ambient под промпт сцены. Вы пишете промпт для Veo 3: «ночной мегаполис, дождь, неон». В ElevenLabs тот же промпт даёт идеально совпадающий ambient. В Freesound нужно вручную собрать из 3 файлов.

Где проигрывает: короткие точечные foley (стук кружки, щелчок выключателя). Они лучше звучат, когда записаны вживую — там Pixabay и Freesound сильнее. И конечно, музыкальные ритмические биты лучше брать в Suno или Epidemic — об этом подробно в посте про музыку для AI-Shorts 2026.

Известные конкуренты ElevenLabs в нише генеративных SFX: Stable Audio 2.5 (Stability AI, до 90 секунд, $11.99/мес), Meta AudioCraft (open-source, бесплатно но возиться с локальной установкой), Suno Sound Effects-режим (в бете на момент мая 2026). Для большинства креаторов проще остаться на ElevenLabs, у которого уже есть и голос, и музыка, и sfx в одной подписке.

Пайплайн добавления звука к одному AI-ролику

Конкретный workflow на примере вертикального ролика длиной 45 секунд про «3 ошибки в питании в зале». Промпт под Veo 3, голос — русский на ElevenLabs.

Шаг 1. Сценарий и раскадровка (10 минут)

Разбиваем 45 секунд на 6–8 сцен. Под каждой пишем в скобках: какой sfx нужен. Например: [сцена 3: рывок штанги — whoosh + удар диск].

Шаг 2. Генерация видео (15 минут на 6 сцен)

Veo 3 / Veo 3.1 рендерит 6–8 клипов по 5–8 сек. Если используете Welder AI — это один запрос «6-сценная серия про ошибки в зале» и сборка автоматическая. На выходе — собранный мастер-клип без foley, с базовым ambient.

Шаг 3. Голос (5 минут)

ElevenLabs v3, голос «Bella» или «Alexei», русский. Лучше нарезать на короткие фразы (1 предложение = 1 файл) — потом удобно подгонять под кадр в монтаже.

Шаг 4. Музыка (3 минуты)

Suno v5.5 — промпт «modern fitness, light percussion, no vocals, energy 7/10», длина 60 сек. Или один трек из Epidemic Sound по тегам «motivational fitness».

Шаг 5. SFX слой (15 минут — самое важное)

• 2 whoosh для смены кадров → Pixabay (тег whoosh transition).
• 1 удар штанги → ElevenLabs Sound Effects, промпт barbell drop on gym floor, heavy weight.
• 1 click на появление текста с цифрой → Freesound, тег ui click sharp.
• 1 финальный «sting» под call-to-action → ElevenLabs, промпт branded sting, uplifting, 1.5s.

Шаг 6. Mixing (5 минут в CapCut или DaVinci Resolve)

Голос: 0 dB. Музыка: –18 dB во время голоса, –10 dB в паузах (дакинг). Ambient: –22 dB фоном. SFX-акценты: –6 dB пик, чтобы выделяться, но не глушить голос.

Шаг 7. Экспорт + проверка на телефоне

Экспортируем в 9:16 H.264, проверяем на телефоне в наушниках и через динамик. Часто звук, идеально звучащий в студии, проваливается на встроенном динамике iPhone. Это финальный QA.

Итого: 53 минуты на один шортс с полным звуковым слоем. Если делать без foley и ambient — 30 минут, но удержание просядет на 8–12%.

Самые частые ошибки звука в AI-Shorts

За последний месяц я разобрал около 200 AI-Shorts с российских и зарубежных каналов. Самые повторяющиеся проблемы:

1. Музыка громче голоса. Креатор берёт энергичный трек на 0 dB и кладёт сверху TTS на –6 dB. На динамике телефона голос превращается в кашу. Решение — всегда понижать музыку на 12–18 dB во время речи (audio ducking, есть автоматический в CapCut и Premiere).

2. Ноль ambient. Сцена в кафе, в кадре чашки и официант, а в звуке только голос. Зритель подсознательно чувствует подмену. ElevenLabs Sound Effects по промпту café ambience, dishes clinking, soft chatter, 20s решает это за 2 минуты.

3. SFX из старых TikTok-meme-паков. Тот самый «pop» из 2019 и whoosh из стартового пака CapCut. Зритель в 2026 опознаёт их моментально как «новичок без бюджета». Используйте свежие записи или генерацию.

4. Слишком много SFX. Каждый кадр — whoosh, каждое слово — ding. Получается шумовая каша. Правило: не больше 1 точечного SFX на 3 секунды видео, кроме сцен «битва / монтаж тренировки».

5. Один и тот же стинг во всех роликах. Канал использует одинаковый «бренд-звук» из YouTube Audio Library, который параллельно крутят 50 000 других каналов. Это анти-брендинг. Сгенерируйте уникальный sting в ElevenLabs или Suno один раз и используйте только его.

6. Лицензионные ловушки. Скачанный из Telegram «бесплатный пак звуков» половиной файлов — украденный Epidemic. Через 30 дней YouTube ловит match и кладёт ролик. Используйте только Pixabay, Freesound (с проверкой лицензии каждого файла), Epidemic/Splice по подписке, или генеративные модели.

Что Welder AI делает со звуком из коробки

Welder AI — это пайплайн поверх Veo 3.1 / Veo 2 / Kling 3, который собирает 6–10 вертикальных роликов из одного промпта. По умолчанию он:

• генерирует голос через ElevenLabs v3 (русский + 5 других языков);
• подбирает фоновый трек под настроение из встроенной библиотеки 1500+ треков (royalty-free);
• добавляет базовый ambient под жанр сцены (история, наука, бизнес, едa);
• кладёт sting перед CTA-кадром;
• автоматически делает ducking музыки во время голоса.

Этого достаточно для большинства каналов на старте. Для канала уровня «топ-1000 в нише» рекомендую после рендера Welder выгружать ролик в CapCut и докладывать слой SFX вручную по схеме выше — это 10–15 минут на ролик, но retention растёт ощутимо.

Если вы только начинаете и не знаете, что такое retention и почему он важнее просмотров, отдельный пост про hook первой секунды — там про мгновенный аудио-визуальный hook, который держит зрителя в первые 800 миллисекунд.

Чек-лист звука перед публикацией

Перед загрузкой проверьте:

• Голос разборчив на встроенном динамике телефона (не только в наушниках).
• Музыка приглушена под голосом (ducking).
• Есть ambient под визуальной сценой (даже тихий, –22 dB).
• Минимум 2 SFX-акцента в первых 10 секундах (помогает hook).
• Финальный sting перед CTA-кадром.
• Все источники звука с проверенной коммерческой лицензией.
• Пиковый уровень не превышает –1 dB (защита от клиппинга).
• LUFS около –14 для YouTube Shorts, –16 для TikTok / Reels.

Если проходит — публикуйте. Если нет — 10 минут на чистку звука дадут больше, чем час на правки видео.

Что делать прямо сейчас

Два пути в зависимости от бюджета:

Бесплатный старт. Pixabay Sound Effects + Freesound.org + бесплатный тариф ElevenLabs (10 000 кредитов / мес = ≈250 секунд sfx). Этого хватит на 20–25 шортсов в месяц с полным звуковым слоем. Музыку берите в YouTube Audio Library — для Shorts там приличный пул.

Серьёзный канал ($30/мес на аудио). ElevenLabs Creator $22/мес (100 000 кредитов = ≈40 минут sfx + голос) + Epidemic Sound Creator $9.99/мес (Content ID safe). За $32/мес у вас полностью закрыт аудио-стек для канала на 100–150 роликов в месяц.

Когда инфраструктура звука настроена, узкое место уходит в видео. Если ещё не пробовали собирать ролики автоматически — заведите Welder AI и сделайте первую серию из 6 шортсов за 15 минут. Один промпт → 6 роликов с голосом, музыкой и базовым sfx-слоем. Дальше — дотачиваете звук вручную по схеме выше.

Запустить первую серию в Welder — бесплатно, без карты, тарифы и пакеты тут.