scenario-sonilo

Scenario Sonilo Audio

概述

Scenario 的 Sonilo 音频系列分为两个维度：声音的类型（音效或器乐），以及返回内容（独立音轨，或将生成的音轨混入源视频且不改动画面）。选择返回内容符合交付需求的成员，比任何提示词都重要。使用 search 发现成员，并将 model_schema_get 视为接口约定。

连接方式和核心工作流：参见本仓库中的 scenario 技能；与模型无关的音频操作：参见 scenario-audio 技能。如果这里提到的某个同级技能不在你可用的技能中，请让用户安装它（npx skills add scenario-labs/skills --skill <name>）；若无人值守，请根据工具架构继续操作，并指出这一缺失。

快速参考

成员名称说明模式；输入名称以实时架构为准：

成员	关键输入	返回内容
文本生成音效	prompt、duration、audioFormat	一个音效片段
文本生成音乐	prompt、duration、numSamples	器乐音轨
视频生成音效	video，可选的 prompt 或 segments	与视频时长匹配的音轨
视频生成音乐	video，可选的 prompt、numSamples、startOffset、duration	音乐音轨
视频转视频音效	同视频生成音效	混入音效的视频，以及音轨
视频转视频（音乐）	同视频生成音乐，另加 keepSpeechVocal	混入音乐的视频

编写本文时：文本生成音效的时长为 1 到 180 秒（默认 8 秒），文本生成音乐为 1 到 600 秒（默认 90 秒），视频输入最长 360 秒，segments 最多 50 个，numSamples 为 1 到 3；startOffset 按 10 秒递增，且 startOffset 加上 duration 不得超过视频时长。只有音效成员支持 audioFormat（默认 aac，也支持 mp3、wav、flac；编辑工作流建议使用 wav 或 flac）；在混音成员中，它仅用于设置单独音轨的格式，视频本身的音频仍为 AAC。两个音乐混音成员曾使用相同架构同时在线；优先选择最新的搜索结果。每个时长参数都会产生费用，因此批量操作前先运行 dry_run。

视频决定时间轴

对于受视频条件约束的成员，画面决定声音何时发生，提示词只影响声音听起来如何；片段自身的音频不会影响生成，模型只读取画面。prompt 可以留空，而且通常这样效果最好：模型会为片段生成说明，并自行覆盖每个场景。当一条描述无法涵盖整个片段时，可使用 segments 为不同时间范围提供提示词；时间段必须连续，这是接口约定：第一个 start 为 0，每个 end 等于下一个 start，最后一个 end 不得超出视频范围。文本生成音效完全无法控制时间，因此每次只描述一个声音事件；多用具体的物理特征词描述声音，而非情绪词（空洞、沉闷、有力），按声源、材质、空间、强度的顺序描述，并同时在文字和参数中表达时长意图。所有成员都不接受种子，因此请保存喜欢的结果；音乐成员支持通过 numSamples 在一次运行中生成最多三个结果，避免反复重新生成。

音乐处理后会保留什么

音乐混音成员默认会替换整个原始音轨。keepSpeechVocal: true 会分离人声（对话、旁白、演唱、人群声），并将音乐音量压低到人声之下；所有非人声内容（引擎声、脚步声、环境音、原有拟音）都会被替换。因此，切勿在混入拟音后再为片段配乐：如果视频同时需要两者，请分别使用视频生成音效和视频生成音乐获取独立音轨，再在后期混音。音乐返回结果为器乐。

演练示例：为无声的游戏片段制作拟音

1. 使用 target="models"、query="sonilo"、public=true 调用 search。成员列表会列出 txt2audio、 video2audio 或 video2video 等能力；例如 model_sonilo-v1-1-video-to-video-sound-effects（这是编写本文时可用的结果：每次会话都需重新发现）。
2. 使用该 ID 调用 model_schema_get：先查看字段和功能上限。
3. 使用 upload_asset 上传片段（参见 scenario 技能），获取其资源 ID。
4. 使用该 model_id 调用 model_run，设置 dry_run=true，并传入 parameters={"video": "asset_x", "segments": [{"start": 0, "end": 4, "prompt": "footsteps on wet metal, close and sharp"}, {"start": 4, "end": 12, "prompt": "plasma rifle shots, hollow hangar reverb"}]}： 费用随片段时长增加。
5. 再次调用 model_run，设置 wait=false，然后使用返回的作业 ID 调用 jobs_wait；超时后使用 pending_job_ids 再次调用，切勿第二次调用 model_run。
6. 使用 asset_display 查看混流后的视频，然后使用 asset_download 下载视频和单独的音轨。

常见错误

• 需要纯音轨时却选择混流，或反之：Video to SFX 仅返回音频；Video to Video SFX 返回完整片段。应根据交付需求选择。
• 使用包含音乐混流的成员处理已带有拟音的片段：非语音声音会被替换，拟音也会消失。
• 在对话人像片段中未启用 keepSpeechVocal（默认关闭）：旁白会和音轨中的其他声音一起消失。
• segments 存在间隔或重叠：接口约定要求范围从 0 开始且连续。
• 将一连串事件塞进一个 Text to SFX 提示词中：它无法控制时间；每次运行只能生成一个事件。
• 要求任何成员生成语音或人声：没有成员能生成对白、旁白或歌声；其功能仅限音效和器乐音乐。