Автор на note проверил Cinetic и earshot 0.3 на пятisekундном ролике. Для создателей видео это способ собрать рекламный клип со звуком без GPU, скачанных эффектов и ручной подгонки звука на слух.
В демонстрации ободок циферблата обходит метки и останавливается на 12 часах: в этот момент звучит удар, при скольжении знака добавляется свист, а приземление текста сопровождает мягкий эффект. Звуки не записаны заранее — earshot синтезирует их кодом, а Cinetic рассчитывает момент воспроизведения по кривым движения. Весь ролик автор сделал на CPU.
Cinetic — набор инструкций для кодового агента: по короткому описанию он предлагает концепции, выбирает цвета и шрифты, собирает таймлайн, добавляет звук, рендерит видео и оценивает результат. Для рендера можно выбрать Remotion или HyperFrames. У earshot 201 эффект: 183 синтезированных, 15 подогнанных по записям и 3 pluck-звука. Оба проекта распространяются по MIT License.
Важная оговорка — цифра точности зависит от того, что считать пиком. На 20 тестах пяти типов свиста автор измерил сдвиг огибающей звука: максимум 2 мс, все результаты уложились в заявленные 5 мс. Если смотреть на отдельный самый громкий аудиосэмпл, максимальное отклонение уже 73,292 мс. Для шумного свиста это плохая мерка: слышимый пик точнее отражает, где эффект достигает вершины. Практически полезный бонус — эффекты можно задать нужной длины без погрешности даже в один сэмпл. А вот в Windows путь с motion blur ломается в двух местах; исправления автор обещает показать в продолжении. Заявка на точность звучит убедительно, но только если правильно выбрать линейку.
Источникnote #動画生成AI
