Mirelo SFX 2.0 Audio

Wie Mirelo SFX 2.0 Audio einen Prompt liest

Mirelo SFX 2.0 Audio arbeitet auf zwei Arten, und Endless wählt eine anhand dessen, was du eingibst:

• Aus einer Beschreibung: Schreib den Sound und wähl eine Dauer.
• Aus einem Video: Hänge einen Clip an, und es generiert einen Soundtrack, der zu dem passt, was auf dem Bildschirm passiert, so lang wie der Clip.

In beiden Fällen bekommst du den Sound als eigene Audiodatei zurück, zum Übereinanderlegen, Bearbeiten oder Wiederverwenden. Wenn du das Video mit bereits eingemischtem Sound zurückhaben willst, nimm Mirelo SFX 2.0.

Der ComfyUI-Leitfaden für das Modell von Mirelo empfiehlt konkrete Substantive statt Stimmungswörtern: Benenn die Quelle des Sounds, das Material, den Raum und wie laut oder nah er klingt. Die Beispiele der Mirelo-Endpoints sind kurz und wörtlich: „Heavy rain on a metal roof with distant thunder“, „Heavy wooden door creaking open in an empty hall“, „Sharp knife chop on a wooden cutting board, close mic“.

Eine Struktur, die für fast jeden Sound funktioniert:

Source and action, material or surface, space, distance or intensity
Footsteps on wet gravel, slow pace, empty parking lot, close mic

(Quelle und Aktion, Material oder Oberfläche, Raum, Entfernung oder Intensität.)

Schreib den Prompt auf Englisch, wie alle dokumentierten Beispiele. Deshalb stehen die Prompts auf dieser Seite auf Englisch.

Sound aus einer Beschreibung

Stell die Dauer passend zum Ereignis ein. Ein Türknall braucht ein bis zwei Sekunden; ein Raumton oder ein Atmosphäre-Teppich kann bis zu 10 Minuten laufen. Der Leitfaden rät, zwischen den Durchläufen immer nur eine Sache zu ändern: zuerst das Material, dann den Raum, dann die Intensität.

Sound für ein Video

Mit angehängtem Video ist der Prompt optional. Der ComfyUI-Leitfaden empfiehlt, mit leerem Prompt zu beginnen, weil das Bild bestimmt, was wann zu hören ist. Ergänze nur eine Zeile für Sounds, die das Bild nicht zeigt, etwa Sirenen außerhalb des Bildes oder einen Atmosphäre-Teppich, oder um eine Ebene stärker hervorzuheben.

Sprache beibehalten legt fest, was mit dem Dialog passiert, der schon im Clip ist. Aktiviert, der Standard, bleibt die Sprache erhalten und der Rest des Soundtracks wird darum herum aufgebaut. Deaktiviert werden nur Soundeffekte generiert und die Sprache entfällt. Clips können von 1 Sekunde bis 10 Minuten lang sein.

Negativ-Prompt

Liste die Sounds, die du nicht willst, als kurze, kommagetrennte Liste auf: „music, voices“, „music, crowd noise“, „wind“. So verhinderst du, dass das Modell einen Musikteppich hinzufügt, den du nicht bestellt hast. Willst du den Dialog in einem Video behalten, schreib weder „voices“ noch „speech“ in den Negativ-Prompt; nutz stattdessen „Sprache beibehalten“.

Einstellungen, die zählen

• Prompt: bis zu 2.000 Zeichen. Ohne Video Pflicht, mit Video optional.
• Video: optional, 1 Sekunde bis 10 Minuten.
• Dauer: 1 bis 600 Sekunden, Standard 10. Mit angehängtem Video ausgeblendet, da der Sound so lang ist wie der Clip.
• Negativ-Prompt: bis zu 1.000 Zeichen.
• Sprache beibehalten: standardmäßig aktiviert, nur mit angehängtem Video sichtbar.

Jeder Durchlauf liefert eine Audiodatei.

Typische Fehler

• Unter den Effekten läuft Musik. Füg „music“ zum Negativ-Prompt hinzu.
• Das Ergebnis ist vage oder generisch. Sei wörtlicher: Benenn Material, Oberfläche und Raum und ergänz „close mic“ für mehr Detail.
• Der Dialog im Clip ist weg. Aktivier „Sprache beibehalten“ wieder und nimm „voices“ aus dem Negativ-Prompt.
• Ein Sound außerhalb des Bildes fehlt. Das Modell hört nur, was es sieht. Benenn den Sound im Prompt.
• Der Sound wird zu früh abgeschnitten oder läuft zu lang. Stell ohne Video die Dauer auf die Länge des Ereignisses ein.
• Zwei Durchläufe klingen unterschiedlich. Generier mehrfach und behalt den besten Take.