AI वीडियो में ध्वनि जोड़ना — ComfyUI और Hailuo युग के लिए BGM व साउंड इफ़ेक्ट

2026 में AI वीडियो इस तरह बनाए जाते हैं

निर्माण प्रक्रिया मुख्य रूप से दो स्तरों में बँटती है। पहला स्तर स्थानीय GPU पर ComfyUI चलाता है—बड़े मूवमेंट और कैमरा वर्क में सक्षम Wan 2.2 (5B संस्करण कम VRAM में चलता है), लाइव-एक्शन, ऐनिमे और 3DCG के लिए HunyuanVideo 1.5, तथा समकालिक ऑडियो और नेटिव मल्टी-शॉट वाला LTX-2.5 (एक ही जनरेशन में पात्र और प्रकाश बनाए रखते हुए कई जुड़े शॉट बनते हैं)। दूसरा क्लाउड/API स्तर है, जहाँ MiniMax, Kling, Runway, Luma, Google का Veo और ByteDance का Seedance टेक्स्ट या चित्र से कुछ सेकंड से लेकर कई दर्जन सेकंड तक के शॉट बनाते हैं।

MiniMax का वीडियो मॉडल Hailuo 2.3 (अक्टूबर 2025) पूरे शरीर की गति, भौतिक अभिव्यक्ति और सूक्ष्म चेहरे के भावों में सक्षम है तथा ऐनिमे, इंक-वॉश और गेम CG शैलियों को भी संभालता है। 31 जुलाई 2026 को जारी MiniMax H3 एक अलग मॉडल है, जो अधिकतम 15 सेकंड का 2K वीडियो उसके साथ स्टीरियो ऑडियो सहित बनाता है और संदर्भ चित्र, वीडियो व ऑडियो से पात्रों और शैली को बनाए रखता है। मोटे तौर पर, स्थानीय रूप से शैली और पात्रों को बारीकी से नियंत्रित करने के लिए Wan / HunyuanVideo, गति और भौतिक अभिव्यक्ति के लिए Hailuo 2.3, और एक ही चरण में ऑडियो भी बनाने के लिए MiniMax H3, LTX-2.5 या Veo चुनें।

मूक मॉडल और ऑडियो बनाने वाले मॉडल साथ मौजूद हैं

ऑडियो का व्यवहार तीन प्रकार में बँटता है। (1) केवल वीडियो—Wan 2.2 की मानक जनरेशन, HunyuanVideo 1.5, Hailuo 2.3, Runway Gen-4.5, Luma और Pika। (2) मौजूदा ऑडियो से संचालित वीडियो—Wan 2.2-S2V (यह मुँह और अभिनय को ऑडियो से मिलाता है, लेकिन ध्वनि स्वयं नहीं बनाता)। (3) वीडियो और ऑडियो एक साथ बनाना—MiniMax H3, LTX-2.5, Google Veo 3.1, Kling 3.0 और ByteDance Seedance 2.5। समूह (1) का हर साधन जनरेशन के बाद ध्वनि जोड़ने के लिए अलग «Add Audio» प्रकार की सुविधा देता है। यह स्वयं प्रमाण है कि वीडियो निर्माण में बाद का ऑडियो चरण अभी भी आवश्यक है। OpenAI का Sora ऑडियो सहित वीडियो बनाता था, लेकिन उसका वेब संस्करण और ऐप 26 अप्रैल 2026 को बंद हो गए, और API 24 सितंबर 2026 को बंद होने वाली है।

«ऑडियो बना सकता है» का अर्थ «BGM की आवश्यकता नहीं» नहीं है। Veo 3.1 और MiniMax H3 संगीत भी बना सकते हैं। फिर भी अलग BGM इसलिए रखा जाता है कि वे इसे बना नहीं सकते, ऐसा नहीं है; इसके दो कारण हैं: (1) हर शॉट केवल कुछ सेकंड से कई दर्जन सेकंड का होता है और कई शॉट जोड़ने पर संगीत की शैली, स्तर और धुन लगातार नहीं रहती; (2) संवाद, वातावरण, इफ़ेक्ट और BGM को अलग ट्रैक में रखने पर बाद में केवल BGM बदला जा सकता है या सिर्फ़ नैरेशन के दौरान उसे धीमा किया जा सकता है। यही वह स्थान है जहाँ arcalune जैसे बाहरी BGM का मूल्य सीधे सामने आता है।

मूक वीडियो में ध्वनि जोड़ने का वास्तविक क्रम

व्यावहारिक काम आम तौर पर इस क्रम में होता है: शॉट जनरेट करें → उपयोग होने वाले शॉट चुनें → पूरे वीडियो में एक BGM रखें → हर दृश्य के लिए वातावरण ध्वनि जोड़ें (बारिश, लहरें, कमरे का शोर आदि) → लोगों और वस्तुओं की गति के साथ फोली मिलाएँ (कदम, कपड़े की सरसराहट, टकराव) → हर स्क्रीन ट्रांज़िशन पर छोटा इफ़ेक्ट रखें → केवल नैरेशन या गायन वाले हिस्सों में BGM की आवाज़ कम करें। पहले BGM रखकर आधार बनाना और अंत में विशिष्ट बिंदुओं पर इफ़ेक्ट जोड़ना मुख्य बात है।

ComfyUI में ऑडियो को वीडियो के साथ निर्यात करने के लिए अतिरिक्त VideoHelperSuite के Video Combine नोड में ऑडियो इनपुट तैयार करें और संगीत फ़ाइल लोड करने वाला नोड उससे जोड़ें (यह मानक नोड नहीं है, इसलिए इसे पहले स्थापित करना होगा)। आप बाद में वीडियो संपादन सॉफ़्टवेयर में भी ऑडियो की परत जोड़ सकते हैं। दोनों ही स्थितियों में यहाँ के ट्रैक डाउनलोड करके वैसे ही उपयोग किए जा सकते हैं।

YouTube पर AI वीडियो इन रूपों में बनाए जाते हैं

चेहरा न दिखाने वाले व्याख्यात्मक और डॉक्यूमेंट्री वीडियो (faceless) पटकथा → सिंथेटिक आवाज़ → AI वीडियो या चित्र → उपशीर्षक के क्रम में बनाए जाते हैं और आवाज़ को बाधित न करने वाला हल्का BGM नीचे चलता है। सिनेमाई लघु फ़िल्मों और ट्रेलरों में स्टोरीबोर्ड तथा संदर्भ चित्रों से शॉट बनाए जाते हैं, फिर उन्हें स्कोर, फोली और ट्रेलर शैली के इम्पैक्ट व ऊपर उठती ध्वनियों से तैयार किया जाता है (AI फ़िल्म समारोहों में दिखाई गई रचनाएँ इसका प्रमुख उदाहरण हैं)। गति पर आधारित Shorts, मीम और मोंटाज में 5 से 15 सेकंड के विचार पर तेज़ BGM तथा ट्रांज़िशन या इम्पैक्ट इफ़ेक्ट लगाए जाते हैं।

AI म्यूज़िक वीडियो में पहले तैयार गीत निश्चित किया जाता है, हर बार के लिए कई छोटे क्लिप बनाए जाते हैं और उन्हें बीट पर संपादित किया जाता है—जनरेशन मॉडल का अपना ऑडियो उपयोग नहीं होता और मूल गीत मुख्य ऑडियो रहता है। उत्पाद विज्ञापन और ब्रांड फ़िल्में उत्पाद चित्रों व लोगो को संदर्भ बनाकर शॉट तैयार करती हैं, फिर नैरेशन, लोगो ध्वनि और छोटा BGM जोड़ती हैं। AI ASMR में ऐसी सामग्रियों को काटने, कुचलने या उड़ेलने के दृश्य व ध्वनि बनती है जो वास्तव में मौजूद नहीं हैं; अस्वाभाविक ध्वनियों को वास्तविक सामग्री-ध्वनियों से बदलकर परिणाम को लंबे रूप में फिर संपादित किया जाता है। वातावरण और काम के साथ चलने वाले वीडियो छोटे क्लिप को लूप या बढ़ाते हैं और लंबा BGM व वातावरण ध्वनि अलग से रखते हैं। नीचे के खंड बताते हैं कि हर रूप के लिए arcalune की कौन-सी ध्वनि उपयुक्त है।

सिनेमाई लघु फ़िल्में, AI फ़िल्में और ट्रेलर

स्टोरीबोर्ड और संदर्भ चित्रों से शॉट जनरेट करके उन्हें संपादन में एक रचना बनाया जाता है। पूरे वीडियो में चलने वाले स्कोर पर फोली और ट्रेलर शैली के इम्पैक्ट व ऊपर उठती ध्वनियाँ जोड़ी जाती हैं।

1. 1

   壮大でドラマティックな劇伴

   फ़िल्म या ट्रेलर जैसा अनुभव देने वाले शॉट्स के नीचे लगातार चलने वाला भव्य और नाटकीय बैकग्राउंड स्कोर। कुछ सेकंड के शॉट्स को जोड़कर बने छोटे वीडियो को भी एक ही स्कोर शुरू से अंत तक चलने पर पूरी रचना जैसी एकरूपता मिलती है।

   कहाँ काम आएगाAI फ़िल्म व शॉर्ट, ट्रेलर, ओपनिंग

   arcalune के ये साउंड

   • भोर का द्वार3:02
   • जो राह हमने चुनी4:09
   • और बस इतना ही था4:05
2. 2

   緊張と暗さの劇伴

   बेचैनी और तनाव पैदा करने वाला गहरे रंग का बैकग्राउंड स्कोर। AI फ़िल्म के सस्पेंस दृश्यों या ट्रेलर में शॉट बदलने से ठीक पहले ठहराव बनाने के लिए।

   कहाँ काम आएगासस्पेंस, ट्रेलर का ठहराव, तनावपूर्ण दृश्य

   arcalune के ये साउंड

   • किसी ने उन्हें आते नहीं देखा3:12
   • राजा नज़र नहीं उठाता3:29
   • अँधेरा होने तक टिके रहो3:12
3. 3

   予告編の一撃と上昇音

   ट्रेलर को प्रभावशाली ढंग से पूरा करने वाला एक जोरदार इम्पैक्ट और धीरे-धीरे ऊपर उठकर उत्साह बढ़ाने वाली ध्वनि। इन्हें शीर्षक के उभरने या शॉट बदलने पर रखने से वीडियो का मुख्य क्षण अधिक असरदार बनता है।

   कहाँ काम आएगाटाइटल आना, कट बदलना, हाइलाइट ज़ोर

   arcalune के ये साउंड

   • धमाका 10:02
   • उड़ान सीटी 10:03
   • लेवल अप 10:02

व्याख्यात्मक, डॉक्यूमेंट्री और faceless वीडियो

इन्हें पटकथा, फिर सिंथेटिक आवाज़, फिर AI वीडियो या चित्र और अंत में उपशीर्षक के क्रम में बनाया जाता है। आवाज़ मुख्य होती है, इसलिए उसके नीचे ऐसा हल्का BGM रखा जाता है जो उसे ढके नहीं।

1. 4

   ナレーションを邪魔しないBGM

   कम वाद्यों वाला, शांत और मुख्य रूप से पियानो पर आधारित BGM। सिंथेटिक आवाज़ वाली व्याख्यात्मक या डॉक्यूमेंट्री सामग्री (faceless वीडियो) में इसे आवाज़ को दबाए बिना नीचे चलाया जा सकता है।

   कहाँ काम आएगाएक्सप्लेनर व डॉक्यू, faceless वीडियो, नैरेशन के नीचे

   arcalune के ये साउंड

   • सफ़ेद सांस2:28
   • छत के नीचे एक रात4:18
   • बरसों बाद, थोड़ी देर3:28

AI म्यूज़िक वीडियो और विज़ुअलाइज़र

पहले तैयार गीत को निश्चित किया जाता है, फिर हर बार के लिए कई छोटे क्लिप जनरेट करके उन्हें बीट के अनुसार संपादित किया जाता है। गीत मुख्य ऑडियो होता है, इसलिए ट्रांज़िशन साउंड इफ़ेक्ट जोड़े जाते हैं।

1. 5

   曲に合わせる転換の効果音

   AI म्यूज़िक वीडियो में तैयार गीत ही मुख्य ऑडियो होता है, इसलिए अतिरिक्त BGM के बजाय ट्रांज़िशन साउंड इफ़ेक्ट जोड़े जाते हैं। बीट या गीत के बोलों के विराम पर बैठने वाले साफ़ whoosh और एकल इम्पैक्ट।

   कहाँ काम आएगाबीट व लिरिक ब्रेक, विज़ुअल ट्रांज़िशन, विज़ुअलाइज़र

   arcalune के ये साउंड

   • वूश! 10:03
   • उड़ान सीटी 20:02
   • धमाका 20:02

वातावरण, काम के साथ चलने वाले और लूप पृष्ठभूमि वीडियो

छोटे AI क्लिप को लूप या बढ़ाकर लंबा वीडियो बनाया जाता है। लंबे समय तक चल सकने वाले BGM को बारिश या लहरों जैसी वातावरण ध्वनियों के साथ मिलाया जाता है।

1. 6

   長時間流すアンビエント

   मुलायम किनारों वाली अपेक्षाकृत लंबी एम्बिएंट रचनाएँ। कुछ सेकंड के AI क्लिप को लूप या बढ़ाकर लंबा बनाए गए कामकाजी या वातावरण वाले वीडियो में ये लंबे समय तक सुनने पर भी थकान न देने वाली आधार ध्वनि बनती हैं।

   कहाँ काम आएगालंबा बैकग्राउंड, माहौल, लूप बैकड्रॉप

   arcalune के ये साउंड

   • पेड़ गिनती रखते हैं3:28
   • यहाँ कुछ भी बोझ नहीं थामता4:48
   • जो कुछ भी सुन रहा है4:28
2. 7

   雨と波の環境音

   बारिश और लहरों की वातावरण ध्वनियाँ। इन्हें किसी मूक लूप वीडियो पर लगाने से वहाँ मौजूद होने का वह एहसास जुड़ता है जो केवल चित्र नहीं दे सकता।

   कहाँ काम आएगाबारिश-लहर दृश्य, लूप फ़ुटेज, माहौल की परत

   arcalune के ये साउंड

   • बारिश 10:11
   • लहरें 10:07
   • बारिश 20:06

Shorts, मीम और गति वाले वीडियो

5 से 15 सेकंड का एकल मज़ाक या जुड़े हुए क्लिपों का मोंटाज। तेज़ लय वाले BGM और ट्रांज़िशन व पंचलाइन को कसने वाले साउंड इफ़ेक्ट का मेल इसे प्रभावी बनाता है।

1. 8

   テンポの良い短尺BGM

   हल्का, उजला और आगे बढ़ता हुआ BGM। 5 से 15 सेकंड के एकल मज़ाक या जुड़े हुए मोंटाज जैसे गति पर आधारित Shorts के साथ आसानी से बैठता है।

   कहाँ काम आएगाShorts व वर्टिकल, मोंटाज, टेम्पो एडिट

   arcalune के ये साउंड

   • जवानी के दिन2:05
   • बड़ा पीछा2:37
   • उन्हें फिर जुटने मत दो3:21
2. 9

   切り替えと衝撃の効果音

   कट बदलने के लिए फ़्लैश ध्वनि, एकल इम्पैक्ट और साफ़ whoosh। गति वाले वीडियो या मीम में ट्रांज़िशन अथवा पंचलाइन पर रखने से देखने की लय कस जाती है।

   कहाँ काम आएगाट्रांज़िशन, पंचलाइन व मीम, इम्पैक्ट ज़ोर

   arcalune के ये साउंड

   • फ्लैश कट 010:02
   • धमाका 30:02
   • वूश! 30:03

AI ASMR और बनावट दिखाने वाले वीडियो

ऐसी सामग्रियों को काटने, कुचलने या उड़ेलने के दृश्य और ध्वनि जनरेट की जाती है जो वास्तव में मौजूद नहीं हैं, फिर अस्वाभाविक हिस्सों को वास्तविक सामग्री-ध्वनियों से बदला जाता है। यहाँ साउंड इफ़ेक्ट मुख्य भूमिका में हैं।

1. 10

   質感・フォーリーの効果音

   कैंची से काटने, बहते पानी और काँच टूटने की ध्वनियाँ। AI ASMR और बनावट दिखाने वाले वीडियो में, जहाँ जनरेट किए गए क्लिप की अपनी आवाज़ अस्वाभाविक लगे, वहाँ उसे साफ़ और स्पष्ट सामग्री-ध्वनि से बदलने के लिए इनका उपयोग किया जा सकता है। ये arcalune में उपलब्ध फोली का एक हिस्सा हैं।

   कहाँ काम आएगाAI ASMR, बनावट का ज़ोर, मटीरियल साउंड बदलना

   arcalune के ये साउंड

   • कैंची 010:10
   • नल 010:11
   • शीशा टूटना 10:02