Tecnología
Sonilo en Kubeez: efectos de sonido y música con IA escritos para tu vídeo
Sonilo es un modelo de audio nativo de vídeo: le das un clip y escribe efectos y banda sonora sobre su línea de tiempo. Las ocho configuraciones en Kubeez, los límites reales de duración, los mínimos de facturación y cómo llamarlo desde la API.
· Kubeez
La mayoría de las herramientas de audio con IA te entregan un archivo y te dejan a ti la parte difícil. Consigues una explosión decente, un loop pasable, una capa de ambiente utilizable, y luego abres un editor y pierdes veinte minutos moviéndola hasta que cae justo en el fotograma donde ocurre la cosa.
Sonilo está construido al revés. Es un modelo de audio nativo de vídeo: le das el clip, mira lo que pasa en pantalla y escribe el audio sobre esa línea de tiempo. En Kubeez funciona en ocho configuraciones repartidas en tres herramientas, y este artículo cubre qué hace cada una, cuáles son los límites reales y cómo llegar a ella desde la API.
Dos entradas: una frase, o un clip
Todos los productos Sonilo en Kubeez parten de una de dos entradas.
Desde un prompt. Describes un sonido y recibes el sonido. Sin vídeo. Aquí viven dos modelos, uno para efectos y otro para música instrumental.
Desde un clip. Subes un vídeo y recibes audio compuesto sobre él. Aquí viven seis configuraciones, lo que parece mucho hasta que ves que son tres modos creativos por dos formatos de entrega.
Desde un prompt
Efectos de sonido desde texto
Describes lo que oyes en tu cabeza y lo recibes. Una puerta con la bisagra húmeda, una multitud a dos habitaciones de distancia, un rack de servidores arrancando, un whoosh bajo un rótulo.
Lo útil es que la duración la eliges tú, y el modelo la respeta. El rango va de 1 segundo a 180 segundos, con prompts de hasta 2.000 caracteres. Un impacto corto se queda corto en lugar de llegar relleno con tres segundos de silencio que luego tienes que recortar, y un tono de sala de tres minutos es una sola generación, no un loop al que hay que esconderle la costura. Un matiz: 1 segundo es lo más corto que puedes pedir, no lo más corto que puedes pagar. Los efectos se facturan desde un mínimo de 3 segundos, así que cualquier cosa por debajo cuesta igualmente 3 segundos. Más abajo, en la sección de costes.
Lánzalo en /audio/sound-effects.
Música instrumental desde texto
Misma idea, otra salida. Describes un ánimo, un set de instrumentos, una sensación de tempo, y recibes una pista instrumental. El rango va de 5 segundos a 360 segundos, y de nuevo la duración que pides es la duración que obtienes. La música se factura desde un mínimo de 10 segundos, así que una pista de 5 segundos y una de 10 segundos cuestan lo mismo.
Ese punto importa más de lo que suena. Muchos modelos de música eligen su propia duración y te entregan 32 segundos cuando necesitabas 20, lo que significa que cada uso acaba en una edición. Si estás sonorizando un hueco fijo, un modelo que respeta el número es otro flujo de trabajo, no simplemente uno más agradable.
Lánzalo en /audio/music.
Desde un clip
Subes un vídeo de hasta 360 segundos y eliges qué quieres escrito sobre él.
Efectos. El modelo lee el movimiento y los cortes y genera efectos de sonido alineados en el tiempo. Los pasos caen sobre los pasos. La puerta se cierra cuando se cierra la puerta. Este es el modo que arregla metraje de IA mudo, grabaciones de pantalla y capturas de gameplay.
Música. Una banda sonora escrita sobre el ritmo y la estructura del clip, no un loop de librería puesto por debajo. Sigue dónde el clip crece y dónde se asienta.
Mixto. Ambos a la vez, efectos y banda sonora, en una sola pasada. Cuesta más que cualquiera de los modos por separado porque son de verdad dos trabajos, no un interruptor.
Cada uno de esos tres llega en una de dos formas:
- Pista de audio. Un archivo de audio suelto que colocas en tu propia línea de tiempo. Elige esto si ya estás en un editor y quieres control sobre la mezcla.
- Vídeo con el sonido incrustado. La misma generación, entregada como tu clip con el audio ya dentro. Elige esto si el siguiente paso es subir, no editar.
La misma generación en ambos casos. Con precio separado porque la versión incrustada hace también el muxeo.
Lánzalos todos en /audio/soundtrack.
Los límites, en un solo sitio
| Qué | Valor |
|---|---|
| Efectos de sonido desde texto | de 1 a 180 segundos |
| Música desde texto | de 5 a 360 segundos |
| Duración del vídeo de entrada | hasta 360 segundos |
| Longitud del prompt | 2.000 caracteres |
| Entrega en los modos sobre clip | pista de audio, o tu clip con el sonido dentro |
Estos son los techos del propio proveedor, no límites de Kubeez añadidos encima.
Cuánto cuesta, estructuralmente
Kubeez cobra Sonilo por segundo de salida, no por generación. Un efecto de 5 segundos y una banda sonora de 90 segundos no son el mismo trabajo y no se facturan como si lo fueran.
Dos cosas que conviene saber antes de presupuestar:
- Hay mínimos de facturación. Todo lo que escribe música, lo que incluye texto a música, vídeo a música y ambos productos mixtos, se factura desde un mínimo de 10 segundos. Todo lo que escribe solo efectos se factura desde un mínimo de 3 segundos. Así que un efecto de 2 segundos se factura como 3 segundos, y un clip musical de 4 segundos se factura como 10.
- El modo mixto cuesta más que un modo simple. Ejecuta ambos motores.
Las tarifas vigentes de cada modelo están en /pricing y en /docs/available-models. Esas son la fuente de verdad, y cambian, así que este artículo no las repite.
Sonilo desde la API y desde MCP
Todas las configuraciones de Sonilo están disponibles fuera de la aplicación web bajo el scope generate:media, a través de una sola herramienta: generate_sound.
Pasas el id del modelo, un prompt, y o bien una duración o bien una URL de vídeo, según el modelo:
generate_sound(model="sonilo-text-to-sfx", prompt="lluvia fuerte sobre un tejado de chapa", duration_seconds=12)
generate_sound(model="sonilo-video-to-video-sound", video_url="https://.../clip.mp4")
Los ocho ids de modelo son:
sonilo-text-to-sfxsonilo-text-to-musicsonilo-video-to-sfx,sonilo-video-to-music,sonilo-video-to-soundsonilo-video-to-video-sfx,sonilo-video-to-video-music,sonilo-video-to-video-sound
Los ids video-to-* devuelven una pista de audio. Los ids video-to-video-* devuelven tu clip con el sonido dentro. El par *-sound es el modo mixto.
Dos cosas que la herramienta impone antes de gastar nada: un clip de más de 360 segundos se rechaza antes de reservar créditos, y un modo de vídeo invocado sin clip nunca llega al proveedor. Recibes el error, no la factura.
Conéctalo en /settings/mcp.
Cuándo Sonilo es la herramienta equivocada
Seamos honestos con el límite. Sonilo escribe audio instrumental y efectos. No escribe canciones con voz, no hace locución y no arregla audio de origen defectuoso.
- Voces y canciones completas: usa las herramientas de música en /audio/music.
- Narración y diálogo: /audio/dialogue.
- Separar una pista existente en stems: /audio/separation.
Por dónde empezar
Si ahora mismo tienes un clip mudo en una carpeta, la prueba rápida más honesta es la vía sobre clip: súbelo, elige mixto, toma la entrega con el sonido dentro, y mira si los efectos caen en los fotogramas en los que tú los habrías puesto.
El recorrido completo, con muestras reproducibles de los cuatro modos, está en /model-intro/ai-sound-effects-generator-for-video.