为无声视频添加音频

取一段无声片段，并为其添加声音。这一需求背后实际对应三种不同任务：同步的音效（如脚步声、雨声、撞击声，需与画面动作精准对齐）、口语化的旁白/解说，或背景音乐铺底。每种任务路由至不同的模型，其中仅有一个是专用于音效（SFX）的模型。本技能直接覆盖 SFX 路由，其余两类则交由其兄弟技能处理。

需收集的输入项

• 无声视频（URL 或 UUID）。对于 SFX 路由，单次调用最长支持 10 秒。
• 所需音频类型：与画面动作同步的音效、旁白/配音，或背景音乐。该选择决定后续路由路径。
• 针对 SFX：可选提供一个提示词（prompt），用于引导音效生成方向（例如“金属屋顶上的暴雨，远处雷声”）。若留空，则模型将自主分析视频内容并据此生成音效。
• 输出结果是否必须为已混入音频的视频文件（SFX 路由默认返回此格式），抑或仅需一个独立音频文件供用户自行混音。

所用模型

• 音效 → Mirelo SFX 1.5（mirelo:1@1）——当前唯一专用 SFX 模型。向其输入视频后，它将返回已内嵌同步音效的同源视频。需坦诚说明的是：专用 SFX 支持目前仍较薄弱（仅此单一模型），请合理设定预期，并考虑下方所述的“生成时原生音频”方案。
• 旁白 / 口语配音 → 请使用 voiceover 技能（文本转语音）。本模型不支持该功能。
• 音乐铺底 → 请使用 music 技能（文本转音乐）。本模型不支持该功能。
• 更优路径常为：在视频生成阶段即启用原生音频。 多个视频模型在原始生成过程中即可输出环境声、拟音（Foley），甚至语音等伴音。若您仍可控生成环节，开启该能力通常优于后期硬加音效。请在重新生成前，通过 runware-models 与 runware-run 查询各模型能力及音频支持标志（audio flag）。

调用前，请务必通过 runware-models 与 runware-run 确认当前可用模型及其输入/输出 Schema —— 切勿硬编码过期配置。

工作流

1. 分类请求类型（SFX / 旁白 / 音乐）并完成路由。若为旁白，请跳转至 voiceover；若为音乐，请跳转至 music。以下流程专指 SFX 路由。
2. 解析 Schema（通过 runware-run），确认输入字段（inputs.video）及输出格式规则。
3. 上传无声视频片段 至 inputs.video（支持 URL 或 UUID）。时长须控制在 10 秒以内。
4. 异步执行 audioInference 并轮询直至终态 —— 音频/视频类任务具有明显时间依赖性，切勿在同步调用中阻塞等待。
5. 读取结果，并对照画面审听音效（参见“质量标准”章节）。若音画不同步或音效选择不当，可尝试使用更精准的 prompt 或更换 seed 后重试。

技术要点

• 两种模式，二选一 —— 彼此互斥。 请仅提供以下二者之一：inputs.video（基于您提供的视频生成同步音效，输出为视频文件），或单独提供 positivePrompt（纯文本生成音频，输出为裸音频文件）。若目标是为已有视频添加音效，则应选用视频输入模式。
• 以画面驱动声音生成。 提供视频输入后，模型将自动分析画面动作，并据此放置音效。prompt 为可选项，仅起引导偏向作用（如“雨声、雷声、无音乐”），而非完整脚本；过度描述会干扰模型对画面本身的感知。
• 输出时长严格匹配视频长度。 在视频输入模式下，结果时长与输入视频完全一致，因此 duration 参数不生效（Schema 将拒绝该字段）。仅当采用纯 prompt 输入模式时，duration 才有效（取值范围：1–10 秒）。
• 使用 settings.startOffset 对齐长源视频中的关键片段。 若您的视频精彩部分起始较晚，可通过设置偏移量（单位：秒）指定音效设计从视频中该时间点开始。
• 当前 SFX 覆盖能力确实有限。 单一 SFX 模型意味着风格多样性受限。当结果不尽人意时，更有效的改进方式往往来自上游：换用支持原生音频输出的视频模型重新生成，而非在此处强求丰富的音效表现力。

关键参数说明

• inputs.video —— 无声视频（URL/UUID），最长 10 秒。一旦提供该字段，输出必为视频格式（MP4/MOV/WEBM），且 duration 字段将被禁用。
• positivePrompt —— 长度限制为 2–3000 字符；在视频模式下为可选（作为音效倾向提示），在纯 prompt 模式下为必填。
• duration —— 取值范围 1–10 秒，默认 10。仅适用于纯 prompt 模式；与视频输入共存时无效。
• settings.startOffset —— 取值范围 0–10 秒；指定音效设计在视频中起始的时间点。仅当提供视频输入时有效。
• outputFormat —— 若提供视频输入，则输出为视频格式（MP4/MOV/WEBM）；否则输出为音频格式（MP3/WAV/FLAC/OGG）。
• steps（取值范围 5–30，默认 25）、seed —— 控制生成质量与可复现性的调节参数。请始终以实时 Schema（runware-run）为准确认字段名，切勿凭猜测使用。

质量标准

• 音效精准落在动作节点上 —— 如脚步声与落脚时刻一致、撞击声与接触瞬间同步，整段视频中无明显音画漂移现象。
• 声音质感符合场景（材质、空间感准确），且与所给 prompt 偏向保持一致（若提供了 prompt）。
• 返回文件为已混入音频的视频，可直接播放，且总时长与原始视频完全相同。
• 若音画不同步或音效选择错误，建议使用更精确的 prompt 或更换 seed 重试；若问题源于风格覆盖范围不足，则应转向“原生音频生成”路径。

相关技能

runware-run、runware-models、runware-prompting；voiceover（口语旁白 / TTS）、music（背景音乐铺底），以及各类视频生成技能（当“生成时原生音频”为更优路径时）。