Sonido

Was macht Sonido?

Das Audio wird gemessen: Spitzenpegel, Lautstärke, Frequenzbänder und der Frame, in den jeder Schlag fällt. Und bevor Musik- oder Effektoptionen gezeigt werden, werden sie mit Werkzeugen gefiltert, die für dich "zuhören". Die Regeln stammen von echten Korrekturen; jede erklärt, warum sie existiert.

Wozu es dient

• Stimme: reinigen, pegeln, Wort-für-Wort transkribieren und, falls synthetisch, Markierungen richtig aussprechen.
• Effekte (SFX): ein Sound pro Geste in jeder Animation, in ihrem Frame.
• Musik: ein neues Bett pro Clip, das in die Schnitte einsteigt und mit Fade-Out endet.
• Mischung und Auslieferung: die Lautstärke bereit für Netzwerke, gemessen.

Werkzeuge: ffmpeg für alles, was gemessen und gemischt wird; Whisper (whisper-cli) für die Transkription; Adobe Podcast oder ein lokaler Cleaner für die Stimme; ElevenLabs oder ein anderer Generator für Musik, Effekte und Stimme (immer nach dem Skill presupuesto); und "das Ohr" (referenzen/oido.md).

Der Workflow

1. Stimme zuerst. Nach dem genehmigten Schnitt exportiere den Mix der Tonspur, reinige ihn, pegele ihn und setze ihn wieder ein (siehe unten).
2. Schlagliste. Jede Geste jeder Animation mit ihrer exakten Sekunde und dem dazugehörigen Sound. Die Zeitpunkte stammen von derselben Konstante, die die Komposition verwendet, nicht vom Ablesen.
3. Effekte. Ein Skript pro Clip, das jeden Sound an seinem Zeitpunkt platziert, mit seinem Pegel, und die Dauer festlegt (referenzen/sfx-con-ffmpeg.md). Es wird gemessen und in das Video der Animation gemuxt.
4. Musik. Ein anderer Stil als der vorherige Clip; 2 mit dem Ohr gefilterte Optionen; der Anstieg passt mit einem Schnitt; ein Fade-Out von ~2 s auf der Exit-Marke; Bett-Pegel und Absenkung unter der Stimme.
5. Mischung und Pegel für die Auslieferung.
6. Kontrolle (am Ende) und eine Zeile in piece.md.

Stimme

Standardmäßig real. Der Voice-Over ist eine Aufnahme der Person oder des Sprechers. Schlage keine synthetische Stimme von dir aus vor; wenn der Voice-Over fehlt, fordere ihn an.

Reinigung

• Adobe Podcast (Enhance Speech), in der kostenlosen Version und ohne Einstellungen zu ändern, hat am besten geklungen: In einem Test war die Stimme 3,3 dB sauberer gegenüber dem Hintergrund; DeepFilterNet und Resemble Enhance lokal nur ~0,3 dB und klangen „dumpf, verschwommen". Das Problem dieser Stimme war der Nachhall des Raums, nicht das Rauschen. Die lokalen bleiben als Reserve (DeepFilterNet läuft mit ~50× Echtzeit; Resemble mit ~2× auf der CPU).
• Das Hochladen der Stimme einer Person auf einen externen Dienst benötigt ihre ausdrückliche Erlaubnis. Umgehe das nicht mit Skripten oder selbst auferlegten Regeln; wenn keine Erlaubnis vorliegt, reinige lokal.
• Ein Upload pro Clip, nicht pro Take: der bereits gemischte Voice-Over. Wenn der Dienst eine Größenbeschränkung hat, MP3 mit 320 kbps und die Länge an den Stille-Stellen aufteilen.
• Beim Wiedereinsetzen: Miss die Verschiebung zur Original (muss ~0 ms betragen), pegele sie auf die Lautstärke des Originals, platziere sie in einer neuen Spur ab demselben Punkt und stummschalte das Original (nicht löschen).

Transkription (für Untertitel, Effekte und Schnitte)

• Über die Stimme genau so, wie sie in der Timeline ist, Wort für Wort: whisper-cli -m <model> -l es -ml 1 -sow -oj. Wie man sie wiederherstellt: Skill motion, Untertitel.
• Whisper schließt gedehnte Wörter bis zu 2 s vorzeitig ab. Ein Satz wird niemals geschnitten: das tatsächliche Ende wird im Original-Audio gemessen (Hüllkurve zwischen 300 und 3400 Hz).

Synthetische Stimme (nur wenn angefordert, und mit presupuesto)

• Zahlen in Wörtern ausgeschrieben, ein Satz pro Aufruf, 2 Takes pro Satz und der beste wird ausgewählt; maximal 5 Generationen gleichzeitig; Ausgabe mit 48 kHz / 24 Bit, auf die Lautstärke der vorhandenen Stimme.
• Beim Einbauen kommen die Pausen zwischen die Sätze, niemals innerhalb.
• Von Grund auf designte Stimme: mit niedrigem "guidance" (~3); bei hohem (~8) wird sie steif.
• Die Stimme eines echten Schauspielers wird nicht kopiert: man sucht seinen Stil. Die Person spricht die Zeilen und die Klangfarbe wird mit einem Voice-Changer geändert, der seinen Rhythmus bewahrt.
• Wenn jemand vor der Kamera spricht, hört man seine Stimme. Eine Stimme zu klonen oder Lippenbewegungen zu synchronisieren, nur mit Erlaubnis dieser Person.

Marken gut ausgesprochen

• Eine Marke, die mit einem englischen Wort übereinstimmt, wird auf Englisch ausgegeben, selbst wenn die Stimme lateinamerikanisch ist. Schreibe sie phonetisch für die Stimme („Social" → „Sosiál") und teste mit einem Komma dahinter.
• Messe es: Whisper transkribiert beide Aussprachen gleich. Eine Pause von mehr als 70 ms innerhalb des Wortes = es wurde in zwei geteilt. Für ein anfängliches „u" unterscheidet das F2 seiner ersten 50 ms das spanische (unter ~1000 Hz) vom englischen „iu" (über 2000 Hz und fallend), z. B. mit Praat.
• Keine Messung trifft den Akzent perfekt: generiere eine Charge, verwirf diejenigen, die das Wort teilen, und klebe nur den Teil der Marke jedes Überlebenden in eine einzige .wav, damit die Person nach Gehör wählen kann. Informiere sie immer, wenn eine synthetische Stimme eine Marke ausspricht.

Soundeffekte

Geste auf dem Bildschirm	Sound
Nachricht, die in einem simulierten Chat eingeht (oder etwas, das eine Nachricht darstellt)	Der echte Sound dieser App, den das Publikum als „eine Nachricht ist angekommen" erkennt (meist die Benachrichtigung), auf ~1 s geschnitten; bei mehreren aufeinanderfolgenden ~0,4 s und leiser
Nachricht gesendet, Sprachnachricht gesendet	Die echten Sounds der App dafür
Kamerabewegung, Schwenk	Ein tiefer Swoosh oder eine Tonhöhengleitung, nie kontinuierliches Rauschen; unter der Stimme, leiser, oder ein Schlag, oder nichts
Schlag, starkes Erscheinen	Schlag mit Körper in den Mitten (200–2000 Hz) und etwas Bass
Zähler, Tick, UI-Pop	Kurze synthetisierte Töne; bei aufeinanderfolgenden Hinweisen einen Halbton höher jedes Mal
Höhepunkt	Glocke + Bass
Geste einer Person (Erscheinen, Zerbrechen, Durchstreichen, Drücken)	Realistisches Kit (Bibliothek oder generiert), mit gemessenen Höhen
Schlüsselwort der Stimme	Ein kurzer Akzent mit Körper auf seiner betonten Silbe

Die echten Sounds einer App werden vom Telefon aufgenommen oder aus der offiziellen App extrahiert; ihre Pegel sind unterschiedlich und müssen angeglichen werden. Realistische Kits zischen auch (Uhren, Aufstiege und gemessene Münzen hatten 70 bis 97 % ihrer Energie über 3 kHz): miss sie und schicke sie durch einen Tiefpass oder synthetisiere sie mit Tonhöhe.

Musik

• Eine Band, die spielt: instrumental, lebendig, halb improvisiert und mit Akkorden; kein Library-Loop, der nach Werbung klingt. Ein Basisstil (z. B. organischer Rock) und Rotation zwischen Clips: Funk, Jazz, R&B oder etwas Lokales, wenn der Clip Fröhlichkeit verlangt.
• Der Prompt beschreibt den Sound, nicht das Bild: Genre, Energie, Instrumente, BPM und wie es sich entwickelt. Was funktioniert hat, auf Englisch: „Starts instantly with no intro, full band from the very first beat", „Keeps full energy to the end", „Instrumental. Not corporate, not stock music, not lounge".
• Zwei Optionen: A = der Basisstil, B = der in der Rotation. Zum Vergleichen im Editor geht die zweite auf eine andere Spur, stummgeschaltet.
• Messe vor der Auswahl: Die Hälfte der generierten Takes stirbt vor dem Ende ab oder hat eine Lücke. Schau dir die letzten 3 s an, suche nach Stille länger als 0,5 s und extrahiere die Hüllkurve pro Sekunde (wo steigt sie, wo stirbt sie). Takes von ~50 s sterben oft um Sekunde 46 herum ab: wähle den Kopf-Schnitt so, dass das Fade-Out auf den vollen Teil fällt.
• Der Anstieg fällt auf einen Bildschnitt und eine Sprechpause. Verschiebe die Spur vor oder zurück oder wiederhole einen Takt der Einleitung an der Naht, die am besten passt. Dehne sie niemals und verschiebe nicht das Video, um sie auszurichten.
• Wenn das Lied vor dem Clip endet, wiederhole eine 4-taktige Phrase nach dem Anstieg.
• Fade-Out von ~2 s (cos²-Kurve, in das WAV gebrannt), das genau auf der Exit-Marke endet, auf dem Groove und nicht auf dem letzten Schlag.
• In einer Serie (Geschichten 1 → 2 → 3) läuft die Musik von einer zur nächsten weiter und mit derselben Lautstärke.
• Sie kommt stark gemastert (−12 bis −14 LUFS, echter Spitzenwert nahe 0 dB): das ist normal; sie wird auf das Bett-Pegel heruntergeregelt.

Was nicht gebrochen wird

• Echte Stimme standardmäßig. Warum: die Stimme der Person macht den Clip glaubwürdig, und die synthetische verrät sich beim ersten falsch ausgesprochenen Namen.
• Die Animationen passen sich der Stimme an, niemals umgekehrt: Es werden keine Pausen in die Stimme eingefügt, um eine Grafik auszurichten.
• Jede Animation erhält ihren Soundeffekt, ohne dass man darum bitten muss, und jeder Schlag fällt auf den gemessenen Frame. Warum: Eine stumme Animation wirkt halb fertig, und ein verspäteter Schlag noch schlimmer.
• Wenn ein Sound keine Geste auf dem Bildschirm und keinen Akzent in der Stimme hat, ist er überflüssig. Warum: SFX begleitet; es ist keine Atmo.
• Nichts von „chhh". Weder weißes Rauschen noch kontinuierliches Rauschen für eine Bewegung; Rauschen nur als Millisekunden-Transient. Warum: Zischen klingt billig, verschmutzt die Sprachaufnahme und wurde am häufigsten abgelehnt.
• In einem Simulacrum die echten Sounds der App. Warum: Ein bekannter Sound macht den Chat glaubwürdig; ein generischer „Pop" verrät ihn als Animation.
• Jeder Sound mit seinem eigenen Pegel. Der gesamte Stem wird nicht normalisiert; der Limiter kümmert sich nur um die Spitzen. Warum: Beim Normalisieren aller zusammen drückt der lauteste Schlag die anderen in den Hintergrund.
• Was gehört werden soll, hat Körper in den Mitten. Warum: Ein reiner Bass (fast seine gesamte Energie unter 120 Hz) klingt nicht aus dem Lautsprecher eines Mobiltelefons.
• Der Sound geht in die Richtung der Idee. Warum: Ein Problem, das versinkt und nicht gelöst wird, und eine Lösung, die aufsteigt und abschließt (z. B. in einer Quinte), erzählen die Geschichte ohne Worte.
• Ein neues Lied in jedem Clip. Warum: Das wiederholte Lied ist das Erste, was ermüdet („mir gefällt alles, nur das Lied nicht").
• Die Musik wird nie abrupt geschnitten. Wenn der Clip seine Länge ändert, wird das Bett neu gemacht (Schnitt und Fade-Out); der Clip wird nicht im Editor geschnitten. Warum: Ein abgeschnittenes Ende fällt bei der Auslieferung auf.
• Die Stimme hat Vorrang. Wenn sich die Stimme ändert, wird die Absenkung der Musik neu gemacht.
• Filtere vor dem Zeigen und zeige nur die 2 oder 3 besten. Warum: Neun blinde Optionen ermüden und verbrennen das Vertrauen.
• Das Ohr filtert, es wählt nicht aus. Warum: Es gab Takes mit der besten Bewertung des Ohrs, die dennoch abgelehnt wurden; die Person entscheidet nach Gehör.

Zahlen

Was	Wert
Einzelner Effekt (ohne Stimme darunter)	Spitze ≈ −5,5 dB; RMS ≈ −22 bis −25 dB
Effekt unter der Sprachaufnahme	Spitze ≤ −9 dB; RMS ≤ −27 dB
Chat-Nachrichten-Sound	auf dem Niveau der Stimme (≈ −21 dB RMS im Stem)
Schlag jeder Sprechblase	auf ihrem Frame + 0,02 s
Swoosh unter der Stimme	Mitten ≤ 750 Hz, Tiefpass bei 2,5 kHz, Spitze ≈ −20 dB
Zischen	kein Abschnitt mit mehr als 35 % seiner Energie über 3,5 kHz
Limiter	alimiter=limit=0.52:level=disabled (Decke ≈ −5,7 dB)
Musikbett, mit Voice-Over	−20 LUFS in den Lücken; −4,5 dB unter der Stimme
Bett, mit einer Person, die vor der Kamera spricht	−23 LUFS in den Lücken; −7 dB unter der Stimme
Fade-Out	~2 s, cos², endend auf der Exit-Marke
Roh-Stimme vor der Kamera	≈ −26 LUFS: wenn du sie anhebst, hebe auch Musik und Effekte an
Auslieferung für Netzwerke	−14 bis −15 LUFS integriert; echter Spitzenwert ≤ −1 dBTP
Handy-Test	die Lautstärke fällt um 2–6 dB: gut; mehr als 6 dB: fehlende Präsenz

Befehle zum Messen jeder Zeile: referenzen/sfx-con-ffmpeg.md.

Bekannte Fallstricke

• alimiter automatisiert standardmäßig das Pegeln: mit aktivem level ist die Decke keine Decke und der Spitzenwert entkommt. Immer level=disabled.
• Der Limiter ist nicht linear: er normalisiert iterativ (misst, korrigiert, rekonstruiert; maximal 4 Durchläufe).
• volume=…:eval=frame ändert die Verstärkung in Blöcken von ~21 ms: eine Modulation über ~5 Hz ergibt Stufen (ein gebrochenes Summen). Schnelles wird abtastweise innerhalb von aevalsrc erledigt.
• -t schneidet, füllt aber nicht auf: apad + -t fesselt die Dauer.
• Wenn der Remotion-Render eine stumme Audiospur im .mov liefert (versionsabhängig), ersetzt der SFX sie (-map 0:v -map 1:a), mit -t <videolänge>; -shortest in MOV frisst die letzten Frames.
• Whisper halluziniert bei reiner Musik oder Rauschen („Gracias por ver el video", „Thank you"): da ist keine Stimme.
• Das verknüpfte Audio eines Clips kann andere Spuren überschreiben beim Platzieren: der SFX kommt zuletzt auf eine freie Spur.
• Premiere stumm nach dem Abnehmen von Bluetooth-Kopfhörern: sie blieben als Ein- und Ausgang (Freisprechmodus). Einstellungen → Audio-Hardware: Eingang „Kein Eingang", Ausgang die Gerätelautsprecher. Auf macOS sagt system_profiler SPAudioDataType, welches Gerät das Standardgerät ist.
• Eine Sprachnachricht ohne Tonhöhenänderung beschleunigen: atempo=1.1.

Was ausgeliefert und was geprüft wird

Ausgeliefert wird: die gereinigte Stimme (.wav); eine .wav mit Effekten pro Animation, exakt gleich lang (Frame 0 = Frame 0), gemuxt in ihr .mov oder daneben; das Musikbett mit eingebranntem Fade-Out; der Mix; und eine Zeile in piece.md mit dem, was gemacht wurde, den Messungen und dem, was noch aussteht.

Geprüft wird, messend:

• Integrierte Lautstärke zwischen −14 und −15 LUFS und echter Spitzenwert ≤ −1 dBTP.
• Bett auf seinem Pegel in den Lücken und abgesenkt unter der Stimme.
• Die Musik endet mit einem Fade-Out genau auf der Exit-Marke.
• Jeder Schlag auf seinem Frame (Schlagliste gegen die Welle).
• Kein Abschnitt mit Zischen (mehr als 35 % über 3,5 kHz).
• Die Schlagschlüssel sind im Handy-Test hörbar.
• Stimme sauber ohne Verschiebung zum Original.
• Dauer des SFX gleich der des Videos.
• Wenn synthetische Stimme: Marken gemessen und von der Person gehört.