原生音频与声音设计——一半的观感来自耳朵

本课导读

行业里有句老话：声音是电影的一半。放到 AI 视频上还要更极端——同一段画面，配上环境声和音乐后观感能翻倍，而无声的 AI 片子几乎总是显得"廉价、假、像素材"。L7 你已经用过一次声音桥，尝到了甜头；本课把声音完整补齐：五条轨道各干什么、三种生产方式怎么选、混音的层级纪律。这是 unit-3 的第一课，也是从"素材"到"成片"最划算的一步。预计 55 分钟。

五条轨道

专业的声音设计不是"配个音乐"，是五类声音各司其职：

轨道	内容	作用	AI 生产方式
对白	人物说话、旁白	传递信息	原生生成／语音合成（L8 数字人同源）
环境声	房间底噪、街声、风雨、人群	建立空间真实感	原生生成／素材库／生成式音效
动作音效	脚步、开门、碰撞、衣物摩擦	让动作有重量	逐个贴（拟音思路）
音乐	配乐	定情绪、控节奏	AI 音乐生成／授权曲库
空间感	混响、声像左右、远近	把前四轨"放进同一个空间"	剪辑软件处理

新手最常见的做法是"只有音乐"——结果是画面和声音各说各话：人在走路却没有脚步声，室内室外切换声场毫无变化，观众的耳朵会本能地判定"这是假的"，尽管说不出为什么。环境声是性价比最高的一轨：一条房间底噪就能让画面"落地"。

三种生产方式

方式一：视频模型原生生成音频。生成画面时同时生成环境音、对白甚至音效，口型与音画天然同步——这是近两年最重要的跃迁（L1 提过的"音视频联合生成"）。优点是同步性完美、省事；限制是可控性差、不可分轨——你拿到的是混好的一条音轨，想单独换音乐或调低脚步声都做不到。

方式二：根据视频生成声音（video-to-audio）。把已有画面丢给模型，让它"看图配音"——生成匹配画面的音效与环境声。适合给无声素材补声音，可以多次生成挑合适的，但对精确的动作点（比如"第 1.2 秒那记关门声"）仍不够听话。

方式三：剪辑阶段独立设计。传统路线：分轨铺声音，逐个对齐。最麻烦，也最可控——正式作品的默认选择。

选择逻辑还是那条老方法论：要成品快就用原生生成，要控制权就分轨设计。实践中的混合策略最常见：原生音频用作参考和临时声轨（听个大概节奏），正式成片用分轨重做，把原生音频里好的部分留下、差的换掉。

混音的三条纪律

拿到五轨素材后，混音决定成败。记住三条就够用：

1. 音量层级：对白为王。优先级永远是对白 > 关键音效 > 环境声 > 音乐。做法叫侧链压低（ducking）——有人说话时音乐自动降下去，说完再起来。新手片子最常见的毛病就是音乐盖过人声，观众听不清话就会关掉。

2. 音画同步：对齐动作点。脚步声要落在脚接触地面的那一帧，关门声要卡在门框合拢的瞬间。人眼对音画不同步极其敏感——差 0.1 秒就"感觉怪"。技巧：先放大波形对齐关键帧，再整体微调。

3. 空间一致：声场要跟着画面走。室内加短混响，室外去混响加空间感，特写声音近而干、远景声音远而混。这条对应 L5 七层连续性里的声音一致层——上一镜在雨里下一镜没有雨声，和"上一镜湿衣服下一镜干衣服"是同一种穿帮。

音乐：功能优先于好听

选配乐时问三个功能性问题，而不是"这首好不好听"：

• 它在定什么情绪？与画面情绪一致还是刻意反差（欢快音乐配悲伤画面是高级手法，但要有意为之）；
• 它的节奏和你的剪辑点合得上吗？卡点剪辑之所以有效，是因为音乐的节拍给了剪辑一个骨架——先定音乐再剪画面，比剪完了再找音乐容易十倍；
• 它有没有抢戏？背景音乐的职责是托底，旋律太强会把注意力从画面上偷走。

商用注意授权：AI 生成音乐的商用条款各平台不同，授权曲库要看清许可范围——这是 L8 授权记录习惯的延伸，音乐来源同样要进你的项目记录。

声音的叙事技巧

三个立刻能用的：

• 声音桥（L7 学过）：下一镜的声音提前进来，缝合切口；
• 画外声：只闻其声不见其人（画面在门内，门外传来脚步声）——用声音扩展画面之外的世界，成本为零的场景扩展；
• 静默：突然的完全静音是最强的强调手法之一。全片有声时，一秒静默比任何音效都响。

动手任务：给你的 30 秒片做完整声音设计

基础路线（约 60 分钟，剪映或 DaVinci Resolve 免费版即可）：

1. 拿出你 L7 剪好的 30 秒成片，先整段静音——重新以"声音设计师"的身份看一遍，列出声音清单：每一镜需要哪些声音（对白/环境/动作音效各列）；
2. 逐轨铺声音：至少做到 4 条轨（环境声、动作音效、音乐，加对白或旁白）。素材来源不限——原生音频、生成式音效、免费音效库都行；
3. 对齐：至少 3 个动作音效精确卡到帧；
4. 混音：设置音量层级（有人声处压低音乐），检查场景切换时声场有没有跟着变；
5. 交付：成片（带声音）＋一份声音清单表（每镜×每轨写明用了什么、来源、是否授权）；
6. 自测：把音乐单独静音听一遍——剩下的部分能不能撑起画面？

进阶路线（可选）：同一段画面做两个版本的音乐（一个情绪一致、一个刻意反差），各请一个人看，问他们"这段片子讲的是什么感觉"——用别人的反馈验证音乐对叙事的改写能力。

随堂测验

随堂测验0 / 4 题正确

1. 一条 AI 短片配了音乐后仍然「显得假」。按本课诊断，最该先补的是？

A更高级的背景音乐B环境声与关键动作音效——人在走路却没有脚步声、室内外切换声场不变，耳朵会本能判定为假C旁白解说D提高画面分辨率

2. 视频模型的「原生音频」相比剪辑阶段分轨设计，主要代价是？

A音质较差B不支持环境声C只能生成音乐D拿到的是混好的单条音轨，不可分轨——无法单独替换音乐或压低某类声音，可控性让位于便利性

3. 混音时「对白 > 关键音效 > 环境声 > 音乐」的层级纪律，对应的常见操作是？

A把所有轨道音量调成一致B侧链压低（ducking）：有人说话时自动压低音乐，说完恢复——观众听不清人声就会关掉视频C删掉音乐轨只保留人声D把音乐放在最前面播放

4. 「先定音乐再剪画面」的建议，理由是？

A音乐生成比视频生成慢B音乐的节拍为剪辑点提供了现成的节奏骨架，比剪完再找一首能对上的音乐容易得多C音乐授权需要提前申请D剪辑软件要求先导入音频轨