Sonilo собрала $11 млн: звук стал последним ручным слоем ИИ-видео

Один тридцатисекундный ролик для короткой вертикальной драмы — это десятки решений по звуку. Подобрать трек под ритм монтажа. Попасть в смену сцены. Найти эффект на удар. Проверить права. На всё уходит несколько часов. И почти всё это время — не на картинку.

На автоматизацию этого слоя команда, которая строила музыку и мультимодальные модели внутри TikTok, собрала $11 млн. Раунд Sonilo возглавил фонд B Capital, участвовал Redpoint. Это первый раунд компании.

Ставка понятна из арифметики. Генерация видео за два года подешевела на порядки. Синхронный звук остался ручной операцией. Вместе с правами на него это последний неавтоматизированный слой производственного конвейера.

Что построили выходцы из TikTok

Sonilo делает продуктовую модель Sound World Model, что переводится как «модель мира звука». Формально это мультимодальная система, которая связывает три задачи: понимание видео, генерацию звука и выравнивание по времени. Модель читает движение в кадре и эмоциональные переходы, после чего пишет музыку и эффекты под конкретную сцену.

Вход здесь — не текстовый промпт, как у большинства музыкальных генераторов. Вход — сам видеофайл. Алгоритм учитывает ритм, монтажные склейки, паузы под голос и длину ролика, а затем выдаёт синхронизированную дорожку. Текстовое описание тоже работает, но как дополнительный вход.