MMAudio
MMAudio: ambiente y sonido para vídeos de producto sin audio
Tienes veinte bucles de producto para la tienda online y todos están mudos. Pagar por cada uno lo mismo que por el vídeo principal de la campaña no tiene sentido. MMAudio V2 es un modelo de investigación abierto que Blurbly ejecuta a través de un proveedor, y es de las formas más baratas que hay en el estudio de ponerle sonido a un clip. Acepta hasta 30 segundos y necesita una descripción. Yo lo uso para ambientes y acciones sencillas; los primeros planos con muchos contactos los comparo con foley.
Actualizado
Detalles y precios del modelo →
Primero el aire de la escena, después los detalles
Un murmullo de cafetería sitúa una taza sin explicar nada más. Lluvia en la ventana, olas, viento entre árboles o el zumbido bajo de una habitación hacen lo mismo con otros productos. Empieza con una textura de fondo y una sola acción visible. Si pides a la vez pasos, conversación, música y cada clic, no vas a poder saber si el sonido principal es creíble. Revisa también el principio del clip: si el vídeo generado arranca con un fundido desde negro, el ambiente empezará sobre negro, y eso se nota menos que un sonido que aparece de golpe a mitad de plano.
Con veinte clips, no pruebes veinte descripciones. Agrupa los clips por escena (cocina, exterior, baño, escritorio), prueba dos variantes en un clip de cada grupo y quédate con la que funcione. Luego reutiliza esa descripción para todo el grupo cambiando solo el objeto. En un ambiente, la escena manda más que el producto.
Un lote hipotético para verlo claro: una tienda de botellas reutilizables con doce clips, cuatro en cocina, cinco al aire libre y tres en un gimnasio. Tres escenas, dos variantes por escena: seis generaciones de prueba antes de tocar el resto. La variante de exterior que gane («arroyo suave al fondo, brisa entre hojas, un tapón que se enrosca») sirve para los cinco clips de exterior cambiando solo lo que hace la mano.
Si el clip va en bucle en la ficha de producto, el final tiene que ser tan tranquilo como el principio. Un golpe en el último fotograma delata la unión cada vez que se repite. En el editor, un fundido cruzado de unas décimas de segundo entre el final y el principio suele bastar; escúchalo cinco vueltas seguidas antes de darlo por bueno.
Ten en cuenta dónde se va a ver. En una ficha de producto, muchos bucles se reproducen sin sonido hasta que alguien lo activa, así que el audio es para quien ya está interesado. Ahí sobra el golpe de efecto y funciona el ambiente discreto que hace creíble la escena.
Ve la escena y escucha el resultado
Las referencias y resultados proceden de generaciones anteriores propias. Los ejemplos de texto no son transcripciones ni reproducciones garantizadas de estos archivos.
Referencia de ambiente exterior: botella en la montaña
Café filtrado: agua, cerámica y ambiente interior
Zapatilla: pasos y agua generados
Describe la escala del sonido, no el estilo de vida
«Estilo de vida de lujo» es una idea de marketing, no algo que se oiga. Describe el hecho físico: agua que cae en un vaso pequeño, papel que envuelve una vela, una zapatilla que pisa un charco. Y di el tamaño: una salpicadura de mesa no es una cascada, y una tienda con un cliente no suena a estadio. La distancia también cuenta: «a lo lejos» y «junto al micro» dan dos escenas distintas con el mismo objeto.
No pidas lo que la imagen no enseña. En una playa con una botella, unas olas suaves y algo de brisa bastan; motores, gaviotas y gente cambian la historia y no tienen nada en la imagen con lo que sincronizarse. En ambientes de cafetería, escucha con atención el murmullo: si se distinguen palabras, aunque sean inventadas, alguien intentará entenderlas. Pide «murmullo lejano sin palabras» y compruébalo.
La muestra de esta página es una zapatilla pisando un charco, con pasos y agua generados por MMAudio. Mírala con sonido y compara el momento en que el pie toca el agua con el momento en que suena la salpicadura. Esa es la prueba que vas a repetir en cada clip: el contacto visible manda, y el ambiente acompaña sin tapar la acción del producto.
No le cuentes una cronología. «Primero llueve, luego pasa un coche y al final suena una campana» en un clip de seis segundos es un guion, no una descripción, y la imagen no tiene nada que marque esos momentos. Si algo tiene que ocurrir en un instante concreto, tiene que ocurrir en la imagen. La superficie, en cambio, sí ayuda: un charco sobre asfalto no suena como uno sobre baldosa, y decirlo cuesta tres palabras.
Foley para el plano principal y voz para la oferta
MMAudio es para borradores, lotes grandes y publicaciones de ambiente. Para el plano que abre la campaña, con varios contactos cerca de cámara, sube el mismo clip a Hunyuan Video-Foley (hasta 30 segundos, con descripción) o a Kling Video-to-Audio (de 3 a 20 segundos, con modo ASMR) y compara. Ahorrar solo cuenta si el sonido encaja; una toma barata que hay que repetir cuatro veces ya no lo es. Para decidir, mira el clip a velocidad normal en el móvil: si en un plano de dos segundos nadie va a notar la diferencia, quédate con la toma barata.
MMAudio no sustituye a un locutor. La descripción que escribes indica sonidos, no un texto que se vaya a leer. Si la oferta tiene que oírse, genera la voz con ElevenLabs v3 o MiniMax Speech 2.6 HD y ponla encima, con el ambiente bajado mientras se habla y recuperado en cuanto la voz termina. Como referencia, déjalo tan bajo que solo lo notes cuando la voz calla.
Antes de publicar, escucha con auriculares y en el móvil buscando tres fallos: algo que suena a voz y no debería, saturación en salpicaduras o golpes, y una intensidad que no corresponde con la imagen, como lluvia torrencial sobre una ventana con cuatro gotas. Si el fallo está solo al final del clip, recorta antes de regenerar.
Un modelo de investigación abierto no equivale a un servicio alojado sin reglas: el proveedor y el estudio mantienen las suyas. Y bajo coste no significa coste cero. Mira la cotización del estudio antes de lanzar el lote completo y genera primero los clips de prueba de cada escena.
Ejemplos de prompts y guiones
Agua con gas que cae en un vaso pequeño: salpicadura leve sobre la mesa y burbujas finas. Habitación tranquila, sin voces ni música.
Taza de cerámica que se apoya en la mesa de una cafetería. Murmullo lejano sin palabras distinguibles, alguna taza al fondo y un apoyo suave en primer plano.