Noticias
Presentamos Sonilo Sound Effects 1.0
Un paso hacia un Sound World Model para video
- Escrito por
- Equipo de Sonilo
- Publicado
Un sonido generado tiene una sola prueba: o te lo crees, o no. Un deportivo suena como ese motor, a esa velocidad y a esa distancia, o todo el plano parece falso.
Construimos Sonilo Sound Effects 1.0 en torno a ese estándar. Es otro paso hacia un Sound World Model para video: un modelo que entiende qué ocurre en pantalla, cuándo ocurre, a qué velocidad se mueve, a qué distancia está y qué debería transmitir el momento.
Sube un video y Sonilo te devuelve música y efectos de sonido originales, colocados sobre la acción, en una sola pista terminada. O empieza con una indicación de texto y genera efectos de sonido originales directamente. Cada pista tiene licencia.
Benchmarks
A la cabeza de los benchmarks
Evaluamos Sonilo Sound Effects 1.0 y Sonilo Music 1.1 con audio-eval, un kit abierto de benchmarking para audio generado. Puntúa cada modelo con métricas perceptuales y distribucionales estándar, como la similitud CLAP, Fréchet Distance, la divergencia KL, Audiobox Aesthetics, DeSync y la alineación ImageBind, en cinco conjuntos de evaluación consolidados.
Sonilo Sound Effects 1.0 ganó 15 de 15 métricas en CineBench, nuestro conjunto interno de evaluación de video a efectos de sonido, frente a Mirelo v1.6.
- 27 de 30
- métricas de video a efectos de sonido lideradas en Movie Gen Audio Bench y CineBench, frente a Mirelo v1.6
- 16 de 24
- métricas de texto a efectos de sonido lideradas en Clotho y AudioCaps, frente a ElevenLabs SFX v2 y Mirelo v1.6
- 10 de 13
- métricas de MusicCaps en las que Sonilo Music 1.1 supera a Suno v5.5
Benchmark de video a efectos de sonido
Movie Gen Audio Bench y CineBench
Sonilo Sound Effects 1.0 frente a Mirelo v1.6, evaluado con DeSync (cuánto se desvía el sonido de la acción), alineación ImageBind (el sonido adecuado para lo que aparece en pantalla), divergencia KL, Inception Score, Audiobox Aesthetics y Fréchet Distance.
Benchmark de texto a efectos de sonido
Clotho y AudioCaps
Sonilo Sound Effects 1.0 frente a ElevenLabs SFX v2 y Mirelo v1.6, con el mismo conjunto de métricas más la similitud CLAP para medir la correspondencia con la indicación.
Benchmark de texto a música
MusicCaps
Sonilo Music 1.1 frente a Suno v5.5, con el mismo conjunto de métricas que se usa para la generación de texto a música.
Capacidad 01
El video decide dónde va el sonido, no tu línea de tiempo
La decisión de la que queremos hablar es la que no se ve en la demo. Podríamos haber lanzado clips de sonido sueltos y dejarte a ti su colocación. Esa versión luce bien en una demo, pero te sigue obligando a buscar en bibliotecas, recortar clips y alinear el sonido a mano, que es justo el trabajo que queríamos eliminar.
Por eso el modelo lee el metraje antes de generar nada: el ritmo, el tempo, la acción y la emoción de cada escena. Tiene que saber cuándo acelera el motor antes de crear el rugido.
Capacidad 02
Música y efectos, una sola pista terminada
La música funciona igual. Sigue la historia en lugar de repetirse en bucle por debajo, y sale de la misma subida que los efectos. Una sola pista terminada y equilibrada, no un montón de clips que tienes que mezclar tú.
El objetivo a largo plazo es un Sound World Model: un solo modelo que lee lo que ocurre en pantalla y genera la banda sonora de principio a fin. La música transmite la emoción. Los efectos de sonido crean presencia.
Dinos si te crees el motor.
Disponibilidad