Sora 2 — OpenAI کا دوسری نسل کا متن سے ویڈیو ماڈل — نے صرف بصری حقیقت پسندی کو آگے نہیں بڑھایا: یہ آڈیو کو اوّل درجے کا جزو سمجھتا ہے۔ تخلیق کاروں، مارکیٹرز، اساتذہ اور انڈی فلم میکرز کے لیے جو مختصر، جذباتی طور پر مؤثر AI ویڈیوز چاہتے ہیں، Sora 2 اُس کثیر مرحلہ آڈیو/ویڈیو پائپ لائن کو ایک واحد، پرامپٹ کے قابل ورک فلو میں سمیٹ دیتا ہے۔
Sora 2 میں آڈیو کیا ہے؟
Sora 2 میں آڈیو ویڈیو جنریشن کے ساتھ مربوط ہے، بعد از خیال نہیں۔ ویڈیو پہلے بنا کر پھر الگ سے تیار کردہ وائس اوور، موسیقی اور ساؤنڈ ایفیکٹس چڑھانے کے بجائے، Sora 2 ہم آہنگ ڈائیلاگ، امبینٹ ساؤنڈ اور ایفیکٹس اُس وقت پیدا کرتا ہے جب آپ پرامپٹ لکھتے ہیں، اور انہیں آن-اسکرین عمل (ہونٹوں کی حرکت، اشیا کی موشن، جسمانی ٹکراؤ) کے ساتھ ہم ساز کرتا ہے۔ یہ مربوط طریقہ ان سرخیوں میں سے ایک تھا جو Sora 2 کے اجرا کے وقت OpenAI نے نمایاں کیا: ماڈل حقیقت پسندی اور کہانی کی یکجہتی بہتر بنانے کے لیے بیک وقت بصریات اور آڈیو کی نقل کرتا ہے۔
یہ کیوں اہم ہے: پہلے تخلیق کار پہلے بصریات بناتے اور پھر الگ سے آڈیو کا انتخاب، تدوین اور ٹائمنگ کرتے۔ Sora 2 ان مراحل کو سمیٹنے کی کوشش کرتا ہے تاکہ آڈیو پہلی رینڈر سے ہی منظر کی حرکیات سے میل کھائے — حقیقت پسندی بہتر ہو اور ایڈٹنگ وقت بچے۔
Sora 2 کون کون سے آڈیو کی صورتیں پیدا کرتا ہے؟
عملی طور پر Sora 2 متعدد آڈیو لیئرز جنریٹ کر سکتا ہے:
- ہم آہنگ ڈائیلاگ — اسکرین پر کرداروں کے ہونٹوں کی حرکت اور ٹائمنگ سے میل کھاتی تقریر۔
- ساؤنڈ ایفیکٹس (SFX) — جسمانی طور پر قرینِ قیاس آوازیں (قدموں کی چاپ، دروازوں کا زور سے بند ہونا، اشیا کا ٹکراؤ) جو واقعات سے بندھی ہوں۔
- امبینٹ اور ماحولیاتی آڈیو — روم ٹون، ہجوم کی سرگوشی، موسم (بارش، ہوا) جو ڈوباؤ پیدا کریں۔
- موسیقی کے اشارے — مختصر موسیقی اسٹنگز یا بیک گراؤنڈ لوپس جو مزاج کی تائید کریں (نوٹ: لائسنسنگ اور اسٹائل کی پابندیاں لاگو ہو سکتی ہیں)۔
- لیئرڈ مکس — Sora 2 ان عناصر کا سادہ مکس بنا سکتا ہے؛ پیچیدہ مکسنگ کے لیے آپ اسٹیمز ایکسپورٹ کر کے DAW میں مزید نکھار سکتے ہیں۔
3 اہم آڈیو صلاحیتیں جو معنی رکھتی ہیں
ذیل میں تین ہائی امپیکٹ آڈیو صلاحیتیں ہیں جنہوں نے میرے ورک فلو کو بدل دیا جب میں نے Sora 2 کو ٹیسٹ کرنا شروع کیا (اور جنہیں آپ کو کسی AI ویڈیو ٹول کا انتخاب کرتے وقت ضرور جانچنا چاہیے)۔
1) ہم آہنگ تقریر اور لب-سنک
یہ کیا کرتا ہے: ایسی تقریر پیدا کرتا ہے جو جنریٹ کیے گئے چہروں یا اینیمیٹڈ منہ کی شکلوں کے ساتھ زمانی طور پر ہم آہنگ ہو۔ یہ الگ پوسٹ پراسس کے طور پر لب-سنک نہیں؛ یہ جنریشن مرحلے میں شامل ہے تاکہ ٹائمنگ اور اندازِ بیان بصریات سے میل کھائیں۔
یہ کیوں اہم ہے: یہ دستی ہم آہنگی کے گھنٹوں بچاتا ہے اور مختصر بیانیہ یا ڈائیلاگ پر مبنی پیسز کو بغیر اداکاروں کی ریکارڈنگ کے ممکن بناتا ہے۔ استعمال کی مثالیں: پروڈکٹ مائیکرو ایڈز، ہدایتی کلپس، سوشل میڈیا کیموز، اور اُن مناظر کی تیز پروٹو ٹائپنگ جو ڈائیلاگ کی پنچ لائنز پر متکی ہوں۔
2) سیاقی، جسمانی آگاہ آڈیو ایفیکٹس
یہ کیا کرتا ہے: اسکرین پر فزکس سے بندھے SFX پیدا کرتا ہے: جب منظر کسی کپ کو حرکت کرتے دکھاتا ہے تو میز پر کپ کی کھنک، ماحول کے مطابق قدموں کی گونج، درست ٹائمنگ کے ساتھ دروازوں کی چرچراہٹ۔
یہ کیوں اہم ہے: یہ ڈوباؤ اور جذباتی اشارے بڑھاتا ہے (اچانک زور دار آواز چونکا سکتی ہے، ہلکا روم ٹون منظر کو بڑا محسوس کراتا ہے)۔ برانڈنگ اور اشتہارات میں، جسمانی طور پر مستقل SFX مصنوعی مواد کی اجنبیت کم کرتا ہے اور محسوس شدہ پروڈکشن ویلیو بڑھاتا ہے۔
3) ملٹی شاٹ مستقل مزاجی کے ساتھ آڈیو تسلسل
یہ کیا کرتا ہے: جب شاٹس کی ترتیب جنریٹ کرتے یا کلپس جوڑتے ہیں، Sora 2 مستقل آڈیو خصوصیات برقرار رکھنے کی کوشش کرتا ہے (ایک جیسی ریورب، بار بار آنے والے کرداروں کے لیے ایک جیسا آواز کا جوہر، مستقل امبینٹ شور)۔
یہ کیوں اہم ہے: حتیٰ کہ مختصر فارم اسٹوری ٹیلنگ کے لیے بھی کٹس کے پار بیانیہ یکجہتی ضروری ہے۔ پہلے تخلیق کاروں کو ہر کلپ میں EQ اور روم ٹون کو دستی طور پر ملانا پڑتا تھا؛ اب ٹول تسلسل برقرار رکھنے کی کوشش کرتا ہے، جس سے ایڈٹنگ کا عمل تیز اور پولشنگ وقت کم ہوتا ہے۔
میں Sora 2 تک کیسے رسائی حاصل کروں؟
Sora 2 دو بنیادی طریقوں سے دستیاب ہے:
- Sora ایپ / ویب ایپ — OpenAI نے Sora 2 کے ساتھ Sora ایپ کا اعلان کیا جو صارفین کو بغیر کوڈ لکھے براہ راست ویڈیوز بنانے دیتی ہے۔ دستیابی خطوں کے لحاظ سے اور ایپ اسٹورز/اوپن ایکسیس ونڈوز کے ذریعے مرحلہ وار ہے؛ حالیہ رپورٹس کچھ ممالک (US، Canada، Japan، South Korea) میں عارضی وسیع رسائی دکھاتی ہیں مگر شرائط اور کوٹاز کے ساتھ۔
- OpenAI Video API (ماڈل نام
sora-2یاsora-2-pro) — ڈیولپرزsora-2یاsora-2-proکے ساتھ Video جنریشن API کال کر سکتے ہیں؛ پلیٹ فارم ڈاکیومنٹیشن منظور شدہ پیرا میٹرز فہرست کرتی ہے (prompt، seconds، size، input references)۔sora-2رفتار اور ایٹریشن کے لیے وضع ہے، جبکہsora-2-proزیادہ نفاست اور پیچیدہ مناظر کو ہدف بناتا ہے۔ اگر آپ کے پاس پہلے سے OpenAI اکاؤنٹ اور API رسائی ہے، تو ڈاکیومنٹس درخواستوں کی ساخت دکھاتی ہیں۔
CometAPI وہی Sora 2 API کال انٹرفیس اور اینڈ پوائنٹس فراہم کرتا ہے، اور اس کا API پرائس OpenAI سے سستا ہے۔
مثال: curl کے ذریعے ہم آہنگ آڈیو کے ساتھ ویڈیو جنریٹ کریں (کم از کم)
v1/videos اینڈ پوائنٹ model=sora-2 (یا sora-2-pro) قبول کرتا ہے۔ یہاں ڈاکیومنٹڈ multipart/form-data انداز استعمال کرتے ہوئے ایک سادہ مثال ہے:
curl https://api.cometapi.com/v1/videos \ -H "Authorization: Bearer $OPENAI_API_KEY" \ -F "model=sora-2" \ -F "prompt=A calico cat playing a piano on stage. Audio: single speaker narrator says 'At last, the show begins'. Add applause and piano sustain after the final chord." \ -F "seconds=8" \ -F "size=1280x720"
یہ درخواست ایک ویڈیو جاب بناتی ہے جو مکمل ہونے پر ایک MP4 اور اس میں شامل آڈیو ٹریک دیتی ہے (API تیار ہونے پر جاب آئی ڈی اور ڈاؤن لوڈ URL واپس کرتی ہے)۔
CometAPI کے ذریعے Sora 2 API کی قیمت
| Sora-2 | فی سیکنڈ:$0.08 |
|---|---|
| Sora-2-pro | فی سیکنڈ:$0.24 |
آپ Sora 2 کے آڈیو ٹولز کیسے استعمال کرتے ہیں؟
یہ سیکشن عملی رہنمائی ہے: پرامپٹس سے لے کر API کالز اور ایڈٹنگ ورک فلو تک۔
آڈیو کے ساتھ ویڈیو بنانے کے لیے ایک تیز ورک فلو
- اپنا تخلیقی خلاصہ طے کریں۔ منظر، کردار، ڈائیلاگ، مزاج، اور یہ کہ آپ موسیقی چاہتے ہیں یا صرف ڈائیجیٹِک ساؤنڈ۔
- ایسا پرامپٹ لکھیں جس میں آڈیو اشارے شامل ہوں۔ واضح طور پر بتائیں کون بولتا ہے، کیسے بولتا ہے (لہجہ، رفتار)، اور کون سے SFX یا امبینس چاہیے۔
- ایک مختصر کلپ (10–30 سیکنڈ) جنریٹ کریں۔ Sora 2 مختصر، سنیماٹک کلپس کے لیے موزوں ہے؛ طویل بیانیہ سلسلے اسٹچنگ/ملٹی شاٹ ورک فلو کے ذریعے ممکن ہیں مگر ایٹریشن درکار ہو سکتی ہے۔
- آڈیو-ویژول ہم آہنگی کا جائزہ لیں۔ اگر لب-سنک یا ساؤنڈ درست نہیں، پرامپٹ (لہجہ، ٹائمنگ) کو بہتر کریں اور دوبارہ جنریٹ کریں۔
- اسٹیمز یا مکسڈ ٹریک ایکسپورٹ کریں۔ اگر UI/API سپورٹ کرے تو آڈیو اسٹیمز (ڈائیلاگ، SFX، امبینٹ) باریک مکسنگ کے لیے ایکسپورٹ کریں۔ ورنہ مکسڈ کلپ ایکسپورٹ کریں اور باہر نکھاریں۔
فیصلہ کریں کہ آپ “ون-اسٹیپ” ویڈیو+آڈیو چاہتے ہیں یا الگ آڈیو اثاثہ
جب آپ ایک ہی مرحلے میں چاہتے ہیں: پرامپٹ → ویڈیو (جس میں آڈیو شامل ہو)، تو Sora 2 بہترین ہے۔ اس کے لیے ویڈیو اینڈ پوائنٹ (v1/videos) استعمال کریں۔ اگر آپ آواز کے جوہر، اندازِ بیان یا ایک ہی آواز کو متعدد ویڈیوز میں دوبارہ استعمال پر باریک کنٹرول چاہتے ہیں، تو آپ /v1/audio/speech اینڈ پوائنٹ سے الگ تقریر جنریٹ کر سکتے ہیں اور پھر یا تو:
- Sora سے کہیں کہ جنریٹ کی گئی ویڈیو کو اُس اپ لوڈ کردہ آڈیو کے ساتھ ری مکس یا ایڈٹ کرے (جہاں سپورٹ ہو)، یا
- روایتی NLE (Final Cut، Premiere) میں دونوں اثاثے ڈاؤن لوڈ کرنے کے بعد اُس الگ آڈیو کو متبادل لیئر کے طور پر استعمال کریں۔ پلیٹ فارم ڈاکیومنٹس ویڈیو اور اسپیچ دونوں اینڈ پوائنٹس کو بنیادی بلڈنگ بلاکس کے طور پر فہرست کرتی ہیں۔
پرامپٹ انجینئرنگ: ماڈل کو آڈیو کے بارے میں صراحت سے ہدایت دیں
آڈیو کو منظر کی وضاحت کا لازمی حصہ سمجھیں۔ آڈیو ہدایات کو اسی پرامپٹ میں رکھیں جو آپ حرکت اور بصریات کے لیے استعمال کرتے ہیں۔ مثال کا ڈھانچہ:
- منظر کی وضاحت (بصری): مختصر، اعلی سطحی کہانی کے نکات۔
- آڈیو ہدایات (واضح): مقررین کی تعداد، لہجے کے بارے میں سائیڈ نوٹس، اور ساؤنڈ ڈیزائن کے اشارے۔
- مکسنگ اشارے (اختیاری): “foreground dialogue, background ambience, camera perspective.”
12 سیکنڈ کے کلپ کے لیے مثال پرامپٹ (کاپی کریں اور اپنائیں):
A rainy evening on a narrow city alley. A woman in a red coat hurries across the wet cobblestones toward a flickering neon sign.Audio: Two speakers. Speaker A (woman) breathes slightly, hurried; Speaker B (offscreen street vendor) calls out once. Add steady rain on roof, distant car, and a clattering of an empty can when she kicks it. Dialogue: Speaker A: "I'm late. I can't believe I missed it."Speaker B (muffled, one line): "You better run!"Style: cinematic, short depth of field, close-up when she speaks; audio synced to lip movement, naturalistic reverb.
آڈیو اشاروں کو بصری اشارے کے بعد پرامپٹ میں رکھیں؛ عملی طور پر یہ ترتیب زیادہ واضح نتائج دیتی ہے کیونکہ ماڈل آواز کو بیان کردہ واقعات سے باندھتا ہے۔
مثال: ویڈیو بنانے کے لیے آفیشل SDK (Node.js) استعمال کریں
import OpenAI from "openai";const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });const video = await openai.videos.create({ model: "sora-2", prompt: `A friendly robot waters plants on a balcony at sunrise. Audio: soft morning birds, one speaker voiceover says "Good morning, little world." Include distant city ambience. Style: gentle, warm.`, seconds: "8", size: "1280x720"});// Poll job status, then download result when completed (see docs).console.log("Video job created:", video.id);
/v1/audio/speech کے ساتھ الگ نریشن جنریٹ کریں (اختیاری ایڈوانسڈ مرحلہ)
اگر آپ کو مستقل نریٹر کی آواز چاہیے یا آوازوں کو آزمانا چاہتے ہیں، تو الگ تقریر جنریٹ کریں اور اثاثہ کے طور پر رکھیں:
curl https://api.openai.com/v1/audio/speech \ -H "Authorization: Bearer $OPENAI_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model":"gpt-speech-1", "voice":"alloy", "input":"Welcome to our product demo. Today we show fast AI video generation." }' --output narration.mp3
پھر آپ narration.mp3 کو اپنے ویڈیو ایڈیٹر میں امپورٹ کر سکتے ہیں یا (جہاں سپورٹ ہو) اسے ری مکس فلو کے لیے ان پٹ ریفرنس کے طور پر اپ لوڈ کر سکتے ہیں۔
نوٹ: Sora 2 کا بنیادی ویڈیو ورک فلو آپ کے لیے آڈیو جنریٹ کر دے گا؛ الگ تقریر اُن استعمالات کے لیے ہے جنہیں مخصوص آواز یا بیرونی دوبارہ استعمال درکار ہو۔
ری مکسنگ اور ہدفی ترامیم
Sora 2 ری مکس معنویات کو سپورٹ کرتا ہے: آپ ایک ویڈیو جاب بنا سکتے ہیں اور پھر ری مکس یا ایڈٹ اینڈ پوائنٹ کے ذریعے ہدفی ترامیم جمع کر سکتے ہیں (مثلاً بیک گراؤنڈ بدلیں، منظر کو بڑھائیں)۔ جب آپ ری مکس کریں، آڈیو تبدیلیوں کے بارے میں بھی ماڈل کو ہدایت دیں: “موسیقی کو کم پیانو سے بدلیں؛ ڈائیلاگ کو یکساں رکھیں مگر ایک لائن کو 2.5s پر منتقل کریں۔” یہ ترامیم اُن ایٹریٹو ورک فلو کے لیے بہترین ہیں جہاں آپ ٹائمنگ پر سخت کنٹرول چاہتے ہیں بغیر منظر کو شروع سے دوبارہ بنانے کے۔
بہترین طریقے اور ٹربل شوٹنگ کے مشورے کیا ہیں؟
بہترین طریقے
- مختصر سے شروع کریں: 4–8 سیکنڈ کے کلپس رینڈر کریں تاکہ تیزی سے ایٹریٹ کر سکیں؛ طویل کلپس زیادہ کمپیوٹ مانگتے ہیں اور ایٹریٹ کرنا مشکل ہو سکتا ہے۔
- ٹائم کوڈز کے ساتھ واضح رہیں:
[SFX: door_close @00:01]“براہ کرم دروازہ بند کی آواز شامل کریں” کے مقابلے میں بہت بہتر کام کرتا ہے۔ - بصری اور آڈیو ہدایات کو واضح طور پر الگ کریں: کیمرہ اور بصری ہدایات کو آڈیو ہدایات سے مختلف لائنوں میں رکھیں تاکہ ماڈل صاف طور پر پارس کر سکے۔
- سگنیچر آوازوں کے لیے ریفرنس آڈیو استعمال کریں: اگر کسی کردار یا برانڈ کی سگنیچر آواز یا جنگل ہو، تو مختصر نمونہ اپ لوڈ کریں اور اس کا آئی ڈی ریفرنس کریں۔
- اگر باریک کنٹرول چاہیے تو پوسٹ رینڈر مکس کریں: اگر Sora 2 آپ کو 90% تک پہنچا دے، آڈیو اسٹیمز ایکسپورٹ کریں اور ماسٹرنگ کے لیے DAW میں ختم کریں۔
عام مسائل کی ٹربل شوٹنگ
- لب-سنک خراب: اپنی ڈائیلاگ ہدایات کو مزید دقیق بنائیں (واضح آغاز/اختتام اوقات) اور بیک گراؤنڈ شور سادہ کریں؛ طاقتور امبینس ڈائیلاگ کی ٹائمنگ کو چھپا یا دھکیل سکتی ہے۔
- آڈیو دبا ہوا یا حد سے زیادہ بازگشت: اپنے پرامپٹ میں “dry” بمقابلہ “room” ہدایات شامل کریں (مثلاً، “خشک آواز، کم سے کم ریورب”)۔
- SFX بہت اونچا یا دب گیا: نسبتی بیلنس کی درخواست کریں جیسے “SFX: soft door_close” یا “ڈائیلاگ امبینس سے 3dB اونچا”۔
- غیر مطلوبہ خرابیوں: معمولی مختلف لفظوں کے ساتھ پرامپٹ کے ساتھ دوبارہ رینڈر کرنے کی کوشش کریں؛ کبھی کبھی ماڈل متبادل عبارت کے لیے صاف آڈیو پیدا کرتا ہے۔
عملی تخلیقی ترکیبیں (3 مختصر ریسپیز جنہیں آپ کاپی کر سکتے ہیں)
ریسپی A — سوشل مائیکرو ایڈ (7–12s): پروڈکٹ ریویل + ایک لائن ڈائیلاگ
Prompt:
7s, studio product shot: small espresso machine on counter. Visual: slow 3/4 pan in. Dialogue: "Perfect crema, every time." Voice: confident, friendly, male, medium tempo. SFX: steam release at 0:04, small metallic click at 0:06. Ambient: low cafe murmur.
یہ کیوں کام کرتا ہے: ایک مختصر وائس ہُک + برانڈڈ SFX (steam) فوری حسی وابستگی پیدا کرتا ہے۔ ضرورت ہو تو مکسڈ ایکسپورٹ استعمال کر کے پوسٹ میں اپنا برانڈ جنگل شامل کریں۔
ریسپی B — ہدایتی ٹکڑا (10s): قدم بہ قدم آڈیو کے ساتھ فوری ہاؤ ٹو
Prompt:
10s, overhead kitchen shot. Visual: hands sprinkle salt into a bowl, then whisk. Audio: step narration (female, calm): "One pinch of sea salt." SFX: salt sprinkle sound at start, whisking texture under narration. Ambient: quiet kitchen.
یہ کیوں کام کرتا ہے: ڈائیجیٹِک SFX (نمک، وسک) کو ہدایتی آواز کے ساتھ جوڑنا مواد کو آسانی سے سمجھنے کے قابل بناتا ہے اور مختلف چینلز پر دوبارہ استعمال کے لیے موزوں بناتا ہے۔
ریسپی C — کشیدگی کا لمحہ (6s): سنیماٹک اسٹنگ + ماحولیاتی
Prompt:
6s, alleway at dusk. Visual: quick low-angle shot of a bicyclist’s tire skidding. Audio: sudden metallic screech at 00:02 synced to skid, heartbeat-like low bass underlay, distant thunder. No dialogue.
یہ کیوں کام کرتا ہے: مختصر کشیدگی کے لمحات واضح SFX اور کم فریکوئنسی اشاروں پر متکی ہوتے ہیں تاکہ جذبات کو انگیخت کریں؛ Sora 2 کے فزکس-آگاہ SFX اس اثر تک تیزی سے پہنچنے میں مدد دیتے ہیں۔
کب صرف Sora 2 استعمال نہ کریں
- طویل بیانیہ پروڈکشن جس میں پیچیدہ ڈائیلاگ اور ملٹی سین مکسز ہوں اب بھی انسانی اداکاروں اور اعلیٰ درجے کے ساؤنڈ ڈیزائن سے فائدہ اٹھاتی ہے۔
- سخت قانونی/کمپلائنس سیاق (شہادت، قانونی کارروائیاں) — مصنوعی میڈیا مستند ریکارڈنگ کا متبادل نہیں۔
آخری خیالات
Sora 2 کی مربوط آڈیو صلاحیتیں معمول کے ویڈیو تخلیق ورک فلو کو بدل دیتی ہیں، ہم آہنگ ڈائیلاگ، ماحولیاتی ساؤنڈ، اور ریفرنس پر مبنی وائس پرسنلائزیشن کو پوسٹ پروڈکشن ایڈ-آنز کے بجائے اوّل درجے کے جنریشن آؤٹ پٹس بنا کر۔ تخلیق کاروں اور ڈیولپرز کے لیے بہترین نتائج تہہ دار آڈیو سوچ، واضح، ٹائم-کوڈڈ پرامپٹس، اور مختصر ٹیسٹ رینڈرز کے ساتھ ایٹریشن سے آتے ہیں۔
آغاز کے لیے، Playground میں Sora-2 ماڈلز(Sora، Sora2-pro ) کی صلاحیتیں دریافت کریں اور تفصیلی ہدایات کے لیے API guide سے رجوع کریں۔ رسائی سے پہلے، براہ کرم یقینی بنائیں کہ آپ CometAPI میں لاگ ان ہیں اور API key حاصل کر چکے ہیں۔ CometAPI آپ کے انٹیگریشن میں مدد کے لیے سرکاری قیمت کے مقابلے میں بہت کم قیمت پیش کرتا ہے۔
تیار ہیں؟→ sora-2 ماڈلز کا مفت ٹرائل !
