Veo 3.1 Native Audio

Veo 3.1 สร้างภูมิทัศน์เสียงที่สมบูรณ์ควบคู่กับทุกวิดีโอ — เสียงแวดล้อม เสียงรบกวนจากสิ่งแวดล้อม บทสนทนา และดนตรีพื้นหลัง ทั้งหมดเรนเดอร์ในครั้งเดียว ไม่ต้องใส่เสียงเพิ่มในขั้นตอนหลังการผลิต เสียงตรงกับสิ่งที่เกิดขึ้นบนหน้าจอทีละเฟรม

สร้างวิดีโอพร้อมเสียง

Native audio ในการสร้างวิดีโอ AI หมายความว่าโมเดลสร้างเสียงและภาพพร้อมกันจาก prompt เดียวกัน แทนที่จะสร้างวิดีโอไม่มีเสียงแล้วค่อยใส่เสียงในขั้นตอนหลัง เสียงซิงค์ตามเวลาได้อย่างแม่นยำ — ประตูปิดดังพอดีกับเฟรมที่ประตูปิด เสียงเท้าลงจังหวะพร้อมการเคลื่อนขา เสียงดนตรีพุ่งสูงตรงกับการเปลี่ยนฉากภาพ ต่างจากโมเดลที่สร้างวิดีโอก่อนแล้วใช้โมเดลเสียงแยกต่างหากเพิ่มเสียง ซึ่งมักส่งผลให้เกิดความไม่ตรงกันเล็กน้อยในจังหวะเวลา แนวทางของ Veo 3.1 เรนเดอร์ประสบการณ์ภาพและเสียงแบบสมบูรณ์ร่วมกัน โดยถือว่าเสียงเป็น output ชั้นแรกควบคู่กับพิกเซล

สิ่งที่คุณทำได้

การสร้างเสียงแวดล้อม

Veo 3.1 วิเคราะห์สภาพแวดล้อมใน prompt และสร้างเสียงแวดล้อมที่เหมาะสม — เสียงคลื่นทะเลสำหรับฉากชายหาด เสียงรถยนต์สำหรับถนนในเมือง เสียงนกสำหรับป่า เสียงพูดคุยในร้านกาแฟ ชั้นเสียงแวดล้อมคงอยู่ตลอดคลิปและตอบสนองต่อการเปลี่ยนแปลงภาพ

เอฟเฟกต์เสียงที่ผูกกับการกระทำบนหน้าจอ

การกระทำสร้างเสียงที่สอดคล้องในเฟรมที่เกิดขึ้นพอดี: วางแก้วบนโต๊ะเกิดเสียงกระทบ รถผ่านสร้างเสียงเครื่องยนต์ที่เปลี่ยนระดับตาม Doppler เสียงฝนกระทบกระจกเกิดเสียงเม็ดฝน เสียงเหล่านี้สร้างขึ้นตามบริบท ไม่ได้เลือกจากไลบรารี

บทสนทนาที่ฟังดูเป็นธรรมชาติ

ใส่ข้อความพูดใน prompt และ Veo 3.1 จะสร้างเสียงพูดที่ตรงกับตัวละครบนหน้าจอ ลักษณะเสียงปรับตามตัวละครที่อธิบาย — เสียงเด็กสำหรับเด็ก เสียงทุ้มสำหรับชายร่างใหญ่ ความแม่นยำของการขยับปากพอสมควรสำหรับตัวละครที่หันหน้าตรง

การสร้างดนตรีพื้นหลัง

ระบุสไตล์ดนตรีพร้อมฉาก: "เปียโนเบาๆ", "อิเล็กทรอนิกส์สดใส", "ออร์เคสตราที่สร้างความตึงเครียด" Veo 3.1 สร้างดนตรีพื้นหลังที่เหมาะกับอารมณ์โดยไม่กลบเสียงส่วนหน้า ดนตรีตอบสนองต่อพลังงานของฉาก — เบาลงระหว่างบทสนทนา พุ่งขึ้นระหว่างแอคชัน

การมิกซ์เสียงหลายชั้น

เสียงแวดล้อม เอฟเฟกต์เสียง บทสนทนา และดนตรีผสมรวมกันใน output — ไม่ใช่เป็นแทร็กแยกต่างหากแต่เป็นฉากเสียงที่สอดคล้องกัน ฉากร้านกาแฟอาจผสมเสียงเครื่องชงกาแฟ เสียงพูดคุยเบาๆ เสียงแก้วกระทบ และเพลงแจ๊สเบาๆ ทั้งหมดด้วยระดับเสียงสัมพัทธ์ที่เหมาะสม

เริ่มต้นใช้งาน

วิธีใช้

1

เปิด Sunra Video Generator พร้อม Veo 3.1

ไปที่ Sunra Video และเลือก Veo 3.1 จากเมนูโมเดล

2

อธิบายฉากพร้อมรายละเอียดเสียง

ใส่รายละเอียดเสียงใน prompt: เสียงสภาพแวดล้อม ("ถนนที่คึกคัก", "ห้องสมุดที่เงียบสงบ") เสียงเฉพาะ ("เสียงเท้าสะท้อนบนหินอ่อน") บทสนทนา ("เธอพูดว่า: 'ตามฉันมา'") และดนตรี ("เสียงเชลโลเศร้าในพื้นหลัง") ยิ่งใส่รายละเอียดเสียงมากเท่าไร output เสียงยิ่งสมบูรณ์มากขึ้น

3

ให้ Veo จัดการเสียงแม้ไม่ได้ระบุใน prompt

แม้คุณไม่กล่าวถึงเสียง Veo 3.1 ก็สร้างเสียงแวดล้อมที่เหมาะสมตามบริบท ฉากป่าได้รับเสียงนกและลมโดยอัตโนมัติ ฉากครัวได้รับเสียงซ่าและเสียงกระทบ การระบุเสียงใน prompt ให้การควบคุม การละเว้นจะได้ค่าเริ่มต้นที่สมเหตุสมผล

4

สร้างและประเมินการซิงค์ภาพและเสียง

คลิก Generate และดูผลลัพธ์พร้อมเสียง (ไม่ปิดเสียง) ตรวจสอบว่าเสียงตรงกับการกระทำในภาพ — ประตูปิด เสียงเท้า บทสนทนาตรงกับการขยับปาก สร้างใหม่หากองค์ประกอบเสียงบางส่วนหายไปหรือไม่ตรงจังหวะ

5

ดาวน์โหลดไฟล์ภาพและเสียงที่สมบูรณ์

วิดีโอที่ดาวน์โหลดมีแทร็กเสียงฝังอยู่ ไม่ต้องส่งออกเสียงแยกต่างหาก หากต้องการแยกเสียงสำหรับการตัดต่อ ให้นำเข้าวิดีโอในโปรแกรมตัดต่อมาตรฐานใดก็ได้แล้วแยกแทร็กเสียงออก

สร้างมาเพื่อคนสร้างสรรค์

ไม่ว่าคุณจะเป็นครีเอเตอร์คนเดียว เอเจนซี หรือแบรนด์ — ทุกโมเดลปรับตัวให้เข้ากับวิธีทำงานของคุณ

Café portrait at dusk

A woman sits at an outdoor café reading a book as the sun sets. Sound: espresso machine hissing inside, distant accordion music, light chatter of other diners, a bicycle bell passing by on the street. No background music. 16:9, 8 seconds.

Golden hour rooftop portrait

A man stands on a city rooftop at golden hour, wind tousling his hair, looking out over the skyline. Sound: steady wind gusting across the roof, distant traffic hum far below, a helicopter passing overhead fading to the right. Soft ambient drone music. 16:9, 8 seconds.

Slow dolly into a jazz club

Camera slowly dollies through a dimly lit jazz club entrance toward the stage. Sound: a live saxophone solo playing a smoky blues melody, ice clinking in glasses, low murmur of conversation, a double bass plucking softly underneath. No narration. 16:9, 8 seconds.

คัดลอกและใช้งาน

เทมเพลตพรอมต์

ฉากถนนในเมืองพร้อมเสียงหลายชั้น

ผู้หญิงคนหนึ่งเดินบนถนนโตเกียวยามฝนตกตอนกลางคืน ป้ายนีออนสะท้อนบนทางเท้าเปียก เธอถือร่มใสอยู่ในมือ เสียง: เสียงฝนกระทบร่ม เสียงล้อรถไกลๆ บนถนนเปียก เสียงดนตรีเบาๆ จากทางประตูบาร์ เสียงส้นรองเท้าคลิกบนคอนกรีต 16:9, 8 วินาที

Model: Veo 3.1 · Duration: 8s · Aspect: 16:9

ฉากธรรมชาติพร้อมเสียงแวดล้อม

ภาพมุมสูงค่อยๆ ลงต่ำเหนือทะเลสาบบนภูเขาที่หมอกปกคลุมในยามเช้า ป่าสนล้อมรอบน้ำ เสียง: เสียงนกร้องตอนเช้า ลมเบาๆ พัดผ่านใบสน เสียงนกลูนร้องข้ามทะเลสาบ เสียงคลื่นเบาๆ กระทบฝั่งหิน ไม่มีดนตรี 16:9, 8 วินาที

Model: Veo 3.1 · Duration: 8s · Aspect: 16:9

โฆษณาสินค้าพร้อม voiceover และดนตรี

กล่องหูฟังไร้สายสไตล์ล้ำเปิดขึ้นบนพื้นผิวหินอ่อน หูฟังหนึ่งข้างลอยขึ้นและหมุนช้าๆ เสียงชายที่อบอุ่นพูดว่า: "ออกแบบมาเพื่อหายไป สร้างขึ้นเพื่อประสิทธิภาพ" ดนตรีอิเล็กทรอนิกส์แบบ ambient เบาๆ เบสนุ่มนวล แสงสตูดิโอสะอาด 16:9, 6 วินาที

Model: Veo 3.1 · Duration: 6s · Aspect: 16:9

ฉากบทสนทนาพร้อมเสียงสภาพแวดล้อม

เพื่อนสองคนนั่งที่โต๊ะร้านกาแฟกลางแจ้ง คนหนึ่งโน้มตัวไปข้างหน้าพูดว่า: "ฉันได้งานแล้ว" อีกคนหยุดแล้วยิ้มกว้าง: "ฉันรู้ว่าต้องได้" พื้นหลัง: เสียงเครื่องชงกาแฟ เสียงรถยนต์เบาๆ เสียงนกในต้นไม้ใกล้ๆ แสงบ่ายอบอุ่น 16:9, 8 วินาที

Model: Veo 3.1 · Duration: 8s · Aspect: 16:9

เหมาะกับใคร

กรณีการใช้งาน

สร้างสปอตโฆษณาสมบูรณ์ในครั้งเดียว

ผลิตวิดีโอโฆษณา 15 วินาทีพร้อม voiceover ดนตรีพื้นหลัง และเอฟเฟกต์เสียงสินค้า — ทั้งหมดจาก prompt เดียว ไม่ต้องจ้างนักพากย์เสียง ซื้อลิขสิทธิ์ดนตรี หรือซิงค์เสียงในขั้นตอนหลัง สร้าง 10 เวอร์ชันและทดสอบ A/B แพ็คเกจภาพและเสียงทั้งหมด

วิดีโอแบบ Ambient สำหรับครีเอเตอร์คอนเทนต์

สร้างวิดีโอ "บรรยากาศ" หรือ "ทำงานด้วยกัน" ที่มีเสียงสภาพแวดล้อมสมบูรณ์: เสียงฝนกระทบกระจก เสียงไฟฝืนแตก เสียงฟ้าร้องไกลๆ เพลงแจ๊สเบาๆ คอนเทนต์เหล่านี้ทำผลงานได้ดีบน YouTube เป็นคอนเทนต์พื้นหลัง ลูปภาพและเสียงที่ซิงค์กันสมบูรณ์พร้อมใช้ทันที

สร้างต้นแบบฉากภาพยนตร์พร้อมภูมิทัศน์เสียงสมบูรณ์

ผู้กำกับและนักเขียนบทสร้างต้นแบบฉากพร้อมเสียงสมบูรณ์เพื่อประเมินอารมณ์และจังหวะก่อนเริ่มผลิตจริง สร้างฉากทางเดินตึงเครียดพร้อมเสียงเท้าสะท้อนและดนตรี drone เบาๆ หรือฉากตลาดร่าเริงพร้อมเสียงพ่อค้าและกีตาร์สดใส ประเมินความรู้สึกไม่ใช่แค่ภาพ

ภาพประกอบพอดแคสต์และวิดีโอเรียงความ

แปลงส่วนของสคริปต์เป็นคลิปวิดีโอสั้นที่ผู้บรรยาย AI พูดประเด็นสำคัญพร้อมภาพพื้นหลังและเสียงแวดล้อมที่เหมาะสม เชื่อมคลิปใน Flow สำหรับลำดับที่ยาวขึ้น เสียงผู้บรรยาย เสียงฉาก และภาพสร้างขึ้นพร้อมกัน

เปรียบเทียบ

Native Audio: Veo 3.1 vs Kling 3.0 vs Seedance 2.0

Veo 3.1โมเดลอื่น
แนวทางด้านเสียงAmbient-first: สร้างภูมิทัศน์เสียงสิ่งแวดล้อมสมบูรณ์ (ambient + SFX + ดนตรี) โดยมีบทสนทนาเป็นชั้นหนึ่งKling 3.0: dialogue-first — แข็งแกร่งที่สุดในเรื่องการพูดที่ซิงค์ปาก เสียงแวดล้อมเป็นรอง Seedance 2.0: music-sync — ดีที่สุดสำหรับการเคลื่อนไหวตามจังหวะ เสียงแวดล้อมจำกัด
คุณภาพเสียงแวดล้อมเสียงสิ่งแวดล้อมหลายชั้นสมบูรณ์ พร้อมความลึกเชิงพื้นที่ (เสียงฝน + รถ + ดนตรีไกลๆ พร้อมกัน)Kling 3.0: เสียงแวดล้อมพอใช้ รองจากคุณภาพบทสนทนา Seedance 2.0: เสียงแวดล้อมน้อยมาก เน้นดนตรี Sora 2: ไม่มี native audio
คุณภาพบทสนทนาการพูดเป็นธรรมชาติและการซิงค์ปากพอสมควร เหมาะสำหรับประโยคสั้น ความแม่นยำน้อยกว่า Kling สำหรับบทสนทนายาวKling 3.0: การแมปโฟนีมแม่นยำระดับเฟรม รองรับหลายภาษา ควบคุมอารมณ์ — มาตรฐานสำหรับ AI dialogue Seedance 2.0: ความสามารถบทสนทนาจำกัด
การสร้างดนตรีสร้างดนตรีพื้นหลังที่ตรงกับอารมณ์ฉาก ไม่สามารถเลือกแนวดนตรีได้ — อธิบายใน promptSeedance 2.0: music-sync คือจุดแข็งหลัก — การเต้นและท่าทางตามจังหวะ Kling 3.0: ดนตรีพื้นหลังพื้นฐาน Sora 2: ไม่มีเสียง
กรณีใช้งานที่เหมาะสมที่สุดฉากภาพยนตร์ คอนเทนต์บรรยากาศ สปอตโฆษณาพร้อมภูมิทัศน์เสียงสมบูรณ์Kling 3.0: คอนเทนต์หน้ากล้อง ฉากบทสนทนา การซิงค์ปาก Seedance 2.0: มิวสิควิดีโอ คอนเทนต์เต้น Sora 2: วิดีโอไม่มีเสียงสำหรับใส่เสียงเองในขั้นตอนหลัง
รับผลลัพธ์ที่ดีที่สุด

เคล็ดลับและแนวทางปฏิบัติ

อธิบายองค์ประกอบเสียงอย่างชัดเจนเพื่อ output ที่สมบูรณ์ยิ่งขึ้น

Veo 3.1 สร้างเสียงตามบริบทโดยค่าเริ่มต้น แต่การระบุเสียงใน prompt ให้ผลที่มีรายละเอียดมากกว่า "ชายหาด" ให้เสียงคลื่นทั่วไป "คลื่นซัดหิน นกนางนวลร้อง ลมพัดผ่านหญ้าชายหาด เสียงเด็กหัวเราะไกลๆ" ให้ภูมิทัศน์เสียงที่ชั้นและน่าดื่มด่ำ

สำหรับฉากที่มีบทสนทนามาก ควรพิจารณาใช้ Kling 3.0 แทน

จุดแข็งของ Veo 3.1 คือภูมิทัศน์เสียงแวดล้อมสมบูรณ์ สำหรับฉากที่ความแม่นยำของบทสนทนาและการซิงค์ปากเป็นสิ่งสำคัญ — การพูดตรงหน้ากล้อง สัมภาษณ์ การนำเสนอ — การซิงค์ปากของ Kling 3.0 ให้การซิงค์เสียงพูดที่เชื่อถือได้มากกว่า

ทำให้บทสนทนาสั้นและชัดเจน

Veo 3.1 จัดการบทสนทนา 1–2 ประโยคต่อคลิปได้ดี การพูดเดี่ยวที่ยาวหรือบทสนทนาโต้ตอบรวดเร็วอาจลดคุณภาพการซิงค์ สำหรับบทสนทนาที่ยาว ให้สร้างคลิปสั้นๆ แล้วเชื่อมใน Flow

ใช้ 'no music' เมื่อต้องการเสียงแวดล้อมล้วนๆ

โดยค่าเริ่มต้น Veo 3.1 อาจเพิ่มดนตรีพื้นหลังเบาๆ ในฉากภาพยนตร์ หากต้องการเสียงสิ่งแวดล้อมล้วนโดยไม่มีดนตรี ให้ใส่ "no background music" หรือ "ambient sound only" ใน prompt สิ่งนี้มีประโยชน์เมื่อวางแผนจะใส่เพลงของตัวเองในขั้นตอนหลัง

ชุมชน

เป็นที่รักของครีเอเตอร์ทั่วโลก

เข้าร่วมกับครีเอเตอร์ เอเจนซี และแบรนด์นับพันที่ใช้ Sunra ทุกวัน

The side-by-side model compare sold me

Running the same prompt across Sora, Kling, and Veo in one view is genius. I pick the winner per scene instead of committing to one tool and hoping.

YM
Yuki Matsumoto
Postproduction Supervisor

Nano Banana for product mockups

E-commerce team uses Nano Banana daily for product variants — different colors, backdrops, seasons. We killed our photoshoot retainer and the output looks better than the stock we were buying.

HR
Hannah Riedel
E-commerce Lead

Image-to-video for product drops

We photograph the product once, then Sunra turns the stills into kinetic launch videos across ten formats. One-day output we used to budget two weeks for.

JW
Jonas Weber
DTC Brand Founder

Kling 3.0 beats Sora for my use case

I film lifestyle stuff where motion fidelity matters. For my work Kling feels more real. Having both in one place to verify is worth the subscription alone.

HS
Harper Stone
Lifestyle Creator

The quality jumped overnight

We switched our product video pipeline to Sunra last month. Kling 3.0 with native audio is genuinely usable for social ads now. Our team ships 30+ variations a week without touching After Effects.

MJ
Marcus Johansson
Head of Content, DTC Brand

Nonprofit-friendly pricing

Our nonprofit can finally make campaign videos that don't look like nonprofit videos. The free tier got us through our first quarter; Pro paid for itself on the first campaign.

ER
Emilia Rossi
Nonprofit Communications
FAQ

คำถามและคำตอบ

Native audio ในการสร้างวิดีโอ AI คืออะไร?
Native audio หมายความว่าโมเดลวิดีโอสร้างเสียงและภาพพร้อมกันในครั้งเดียว แทนที่จะสร้างวิดีโอไม่มีเสียงแล้วค่อยใส่เสียงทีหลัง ทำให้ได้การซิงค์ที่แม่นยำระดับเฟรม — เสียงเกิดขึ้นพอดีกับเมื่อการกระทำในภาพเกิดขึ้น ทั้ง Veo 3.1 และ Kling 3.0 มี native audio โดยมีจุดแข็งที่แตกต่างกัน
Veo 3.1 สร้างเสียงทุกครั้งหรือไม่?
ใช่ ทุกการสร้างด้วย Veo 3.1 มีเสียงโดยค่าเริ่มต้น คุณไม่สามารถสร้างวิดีโอไม่มีเสียงด้วย Veo 3.1 ได้ หากต้องการ output ที่ไม่มีเสียง ให้ปิดเสียงในโปรแกรมตัดต่อวิดีโอหลังดาวน์โหลด สร้างได้ที่ Sunra Video
เสียงของ Veo 3.1 เทียบกับ Kling 3.0 เป็นอย่างไร?
จุดแข็งต่างกัน Veo 3.1 เก่งเรื่องภูมิทัศน์เสียงแวดล้อม — เสียงสิ่งแวดล้อมหลายชั้นพร้อมความลึกเชิงพื้นที่ Kling 3.0 เก่งเรื่องบทสนทนา — การซิงค์ปากที่แม่นยำพร้อมการควบคุมอารมณ์เสียง เลือกตามว่าฉากของคุณขับเคลื่อนด้วยบรรยากาศหรือบทสนทนา ทั้งคู่อยู่ที่ Sunra
ฉันควบคุมเสียงที่สร้างได้หรือไม่?
ได้ อธิบายเสียงเฉพาะใน prompt: "เสียงฝนกระทบกระจก เสียงฟ้าร้องไกลๆ เปียโนเบาๆ" Veo 3.1 ทำตามคำอธิบายเสียง คุณยังสามารถระบุสิ่งที่ไม่ต้องการ: "no music", "no dialogue" โดยไม่มีคำสั่งเสียงชัดเจน โมเดลจะสร้างเสียงแวดล้อมตามบริบทที่เหมาะสม ดู prompt templates ด้านบน
Veo 3.1 สร้างดนตรีได้หรือไม่?
ได้ ใส่สไตล์ดนตรีใน prompt: "กีตาร์แจ๊สสดใส", "ambient อิเล็กทรอนิกส์", "เครื่องสายออร์เคสตราตึงเครียด" ดนตรีที่สร้างขึ้นตรงกับสไตล์ที่อธิบายและปรับตามพลังงานของฉาก สำหรับฉากที่เกี่ยวกับดนตรีและการเต้นโดยเฉพาะ Seedance 2.0 อาจให้ผลการซิงค์ดนตรีที่ดีกว่า
ฉันสร้างบทสนทนาด้วย Veo 3.1 ได้หรือไม่?
ได้ ใส่ข้อความพูดใน prompt: "เธอพูดว่า: 'พบกันที่สถานี'" Veo 3.1 สร้างเสียงที่ตรงกับการซิงค์ปากพอสมควร สำหรับคอนเทนต์ที่มีบทสนทนามากซึ่งความแม่นยำของการซิงค์ปากสำคัญมาก การซิงค์ปากของ Kling 3.0 แม่นยำกว่า
ฉันสามารถแยกเสียงออกจากวิดีโอได้หรือไม่?
การดาวน์โหลดมีเสียงฝังอยู่ในไฟล์วิดีโอ (MP4) หากต้องการแยกเสียงออก ให้นำเข้าไฟล์ในโปรแกรมตัดต่อวิดีโอใดก็ได้ (iMovie, DaVinci Resolve, Premiere) หรือใช้เครื่องมือ command-line อย่าง FFmpeg Sunra ยังไม่รองรับการดาวน์โหลดแทร็กเสียงแยกต่างหาก ดู เครื่องมือเสียงของ Sunra สำหรับการสร้างเสียงแบบ standalone
Veo 3.1 native audio ฟรีบน Sunra หรือไม่?
ใช่ เครดิตรายวันฟรีครอบคลุม Veo 3.1 รวมถึงการสร้าง native audio เสียงไม่ใช่ add-on แยกต่างหาก — เป็นส่วนหนึ่งของทุกการสร้างด้วย Veo 3.1 ดู ราคา สำหรับตัวเลือกการสมัครสมาชิก
สำรวจ

สำรวจเพิ่มเติม

โมเดล

Veo 3.1 Google's Cinematic Video Model

ฟีเจอร์

Veo 3.1 Camera Control

ฟีเจอร์

Kling 3.0 Lip Sync

โมเดล

Seedance 2.0 Fast, Expressive AI Video

โมเดล

Sora AI Video Generator Try OpenAI Sora 2 Free on Sunra

เครื่องมือ

AI Video Generator

พร้อมสร้างแล้วหรือยัง?

เริ่มต้นด้วยเครดิตฟรีรายวัน ไม่ต้องใช้บัตรเครดิต

สร้างวิดีโอพร้อมเสียง