Автор канала на note, который делает видео с ИИ, описал случай в MiniMax H3: ребёнок-персонаж Гардо на 9-м кадре 7-й сцены заговорил низким взрослым голосом. Виноват оказался сам автор: вместо заранее записанной строки голоса он написал своё naturally low. Для тех, кто делает видео с говорящими персонажами, это значит одно: слово в голосовом описании решает результат, а поменять голос после генерации можно только отдельной работой.

Источник: note.com

По записи, в его процессе каждому персонажу заранее задан текст голоса на английском, и в промпт он копирует его слово в слово. В этот раз он этого не сделал. Автор пишет, что для ребёнка слово low отправило модель к взрослому низкому голосу. Внутреннюю работу модели он не видит, так что это его предположение. Рабочую замену он тоже записал: boyish voice with a medium-high pitch, soft, то есть мальчишеский голос, средне-высокая высота, мягко.

Главный вывод здесь про высоту. Возраст голоса лучше задавать через тон, а не через эпитеты: безобидное на вид слово low может перевесить весь образ. Правило простое: сначала копируешь заранее согласованную строку, и только потом что-то в ней меняешь.

Третий пункт автор вынес в платную часть: персонажу, который не говорит, лучше не писать ни черты голоса, ни возраст. Что именно он там разобрал и какой результат получил, в открытом тексте не видно, поэтому пересказывать это не будем. Из открытой части понятно одно: короткая фраза в описании голоса задаёт и звучание, и образ персонажа.

Одно слово ломает голос, поэтому строку копируем, а не переписываем.

Источникnote #動画生成AI