视频声音
日期：2026-10-22 · 类型：技能 · 状态：有效
概述： 视频的声音来源于一个事件列表（每个出现在屏幕上、消失或碰撞的元素对应一个事件）以及一个命令 som.py，该命令将每个音效的峰值精确对齐到正确的帧，将音乐置于人声之下，并输出混音和报告。声音不必等待渲染：一旦动画的时间确定，声音就可以开始制作。混音的标准由唯一的拥有人 06-metodo/regras.md 管理；本技能提供方法、命令和主表。
何时使用
- 任何包含运动、界面、教程、广告或仅需背景音乐且需要同步音效的视频。
- 带旁白的视频：干声在前，音乐在下，音效适当降噪。
- 看起来“死寂”的人物或场景视频：需要场景音（环境与拟音）。见 references/som-de-cena.md。
- 处理音乐：测量节拍和落点（
batida.py）或分离人声（separar.py）。
方法
- 每个可见动作对应一个声音，声音描绘动作。 卡片进入发出 pop，按钮发出 click，画面切换发出 whoosh，印章发出 bang，数字滚动发出 roll。密度按动作计算，而非按词语：人声下最多两个音效同时响起。
- 只有图像激发了声音才加入。 静态过渡中使用 whoosh、没有钟表的场景中使用时钟声、没有任何内容上升的 riser 都会让声音脱离视频。混音前，先观看视频并记录哪些东西在动、何时动、用什么材质。
- 音峰落在事件的画面上。 Click、pop、印章、撞击：音峰位于事件元素接触画面的帧上。Whoosh：音峰位于动作中间（大约开始后 0.2 秒；默认映射已实现此效果）。Riser：在落点或剪切处干燥结束。
- 调性仅用于高潮、过渡和惊喜。 撞击、印章和 logo 处使用和弦；大的过渡处使用短衬底；揭示时刻使用铃声。绝不在 click、pop 或按键上使用，否则会变成“小曲”并令人疲劳。仅在音乐已知调性时传递
--tom（例如Am）。 - 音乐按时刻使用，而非背景毯。 轻柔开场；落点前减速；呼吸；在低音鼓上达到高潮。有旁白时，音乐保持远低于人声，在呼吸和无语音段落中升起。
- 落点前呼吸。 在落点前的最后一个节拍上，乐器声干燥下降约 0.3–0.5 秒（
--drop T实现此效果），关键词或最大的画面变化落在落点的第一个帧上。使用batida.py测量落点，而非目测。 - 仅在最密集处分层。 在落点、logo 和结尾处 2–3 个音效同时发声；其余时刻每个动作一个音效。当同一音效重复时，改变音量（映射会在类别中切换变种）。
- 干声。 旁白不带混响或回声。
- 聆听分离的层。
som.py会写入escuta/voz.wav、musica.wav、efeitos.wav和tonais.wav。同步性在效果 stem 中检查，而非混音轨道中。
主要参数
拥有人：06-metodo/regras.md。若其他位置指定了不同值，则以该文件为准。混音台已自动应用这些值。
| 项目 | 值 |
|---|---|
| 带人声或音乐的 Master | -14 LUFS 集成，真实峰值 ≤ -1 dBTP（限制器 4×） |
| 人声下音乐 | 有语音时 约 15 dB 低于（报告会测量；可接受 12–18） |
| 无语音、有真实音乐的混音 | 音轨先校准至 -19 LUFS；效果 ×2.2；限制器；Master -14 |
| 纯场景音片段 | -25 LUFS 集成（上限 -24），短期 ≤ -20，瞬时 ≤ -16，峰值 ≤ -3。绝不归一化至 -14 |
| 场景音与人声混合 | 场景音 stem ≥ 15 LU 低于人声 |
| 音效库 | 短音效 -20 LUFS 瞬时峰值，衬底 -24，峰值 ≤ -3 dBTP；位置 at = evento − pico_ms/1000 |
| 同步性 | 效果 stem 中位数 ≤ 25 ms |
| 节拍 | beat_this，File2Beats(checkpoint_path="final0")；剪切不超过节拍 ±2 帧 |
分步指南
所有命令从工作室根目录运行。
- 音效库准备好了吗？ 如果
05-biblioteca/som/sfx/catalogo.json不存在：执行uv run scripts/som/sintetizar_sfx.py。已录制的声音：uv run scripts/som/nivelar.py <pack 文件夹>（详情见 05-biblioteca/som/README.md）。 - 事件。 从动画引擎导出
eventos.json到项目的audio/文件夹。格式、接受的类型以及如何从 After Effects、HyperFrames 和 Remotion 导出：见 references/eventos.md。 - 有节拍的音乐？
uv run scripts/som/batida.py musica.mp3 --fps 30会给出 BPM、强拍和可能的落点。在该网格上制作剪切。 - 需要音乐中的人声或乐器部分？
uv run scripts/som/separar.py musica.mp3（人声 + 乐器）或--modo 6（六个 stem）。 - 混音：
输出uv run scripts/som/som.py --eventos 04-projetos/<video>/audio/eventos.json \ --voz 04-projetos/<video>/audio/voz.wav --musica 04-projetos/<video>/audio/musica.wav \ --video 04-projetos/<video>/render/previa.mp4 --drop 12.4mix.wav、escuta/*.wav、relatorio-som.json和previa-som.mp4（图像被复制；只有声音改变）。 - 阅读报告并纠正直到没有警告。 “eventos sem som” 表示映射不认识的类型：将类型改为已知类型，在事件中添加
"som": "categoria"，或编写--mapa（见下文）。LUFS、峰值和“音乐低于人声”超出目标范围也会出现警告。 - 场景音？
uv run scripts/som/verificar_som_de_cena.py <仅场景混音>或... escuta/efeitos.wav --voz escuta/voz.wav。不通过则不能交付。 - 聆听。 带声音的预览会发送给工作室拥有人批准。在最终视频中，运行相同命令加上
--video render/final.mp4：这仅仅是 remux，无需重新渲染。
项目自定义音效（--mapa）
一个包含 MAPA = {tipo: função(M, e)} 的 .py 文件，仅在你列出的类型上覆盖默认映射：
# 04-projetos/<video>/audio/mapa.py
MAPA = {
"logo": lambda M, e: (M.poe("logo", e["t"], -11), M.poe("impacto", e["t"], -16), M.golpe(e["t"], -20)),
"moeda": lambda M, e: M.poe("sucesso/sucesso-2", e["t"], -14, st=3), # st = 半音升调
}
映射中可用的 Mesa 函数：M.poe(som, t, ganho_db, pan, alinha="pico"|"ini"|"fim", st=semitons, fim=duração, fade=s, sala=True)、M.tonal(t, lufs)、M.golpe(t, lufs)、M.textura(t0, t1, lufs)、M.riser(t_pico)。som 接受一个类别（如 "whoosh"，会在变种间切换）、库中的文件（如 "whoosh/whoosh-2"）或文件路径。
命令
| 脚本 | 用途 |
|---|---|
uv run scripts/som/som.py --eventos E.json [--voz V] [--musica M] [--video P.mp4] [--tom Am] [--drop T] [--mapa mapa.py] | 完整混音、报告以及粘贴到视频上的声音 |
uv run scripts/som/sintetizar_sfx.py [--amostra prova.wav] | 生成初始合成音效库 |
uv run scripts/som/nivelar.py PASTA [--categoria X] [--cama] [--destino D] | 将音效包标准化并更新目录 |
uv run scripts/som/verificar_som_de_cena.py MIX.wav [--voz VOZ.wav] | 拒绝过大的场景音（退出码 1） |
uv run scripts/som/batida.py MUSICA [--fps 30] [--json grade.json] [--video render.mp4] | 节拍、强拍、BPM 和落点（beat_this） |
| `uv run scripts/som/separar.py MUSICA [--modo voz | 6] [--saida PASTA]` |
som.py 的其他选项：--voz-entra、--musica-entra、--musica-de（对齐片段）、--dur、--impacto T0 T1（音乐提升至人声水平）、--lufs、--pico、--fx -10（效果相对于人声的 LUFS）、--saida。
batida.py 和 separar.py 使用 AI，需要额外依赖：uv sync --extra cpu（或使用 NVIDIA 显卡时 --extra gpu）。模型在首次使用时自动下载（beat_this 约 80 MB；每个分离模型约 300–700 MB，保存在 ~/.cache/estudio-ia/ 中）。如果没有额外依赖，这两个脚本会停止并显示安装说明。
常见错误
| 症状 | 可能原因 | 解决方法 |
|---|---|---|
| 场景视频中音效“过大” | 场景音被归一化为 -14 | 无语音或音乐时 som.py 会瞄准 -25；用 verificar_som_de_cena.py 检查 |
| 无声视频中音效被音乐淹没 | 音轨被母带处理为 -8 到 -11 LUFS | 混音台会将音轨校准至 -19 并将效果提升 ×2.2；若仍被淹没，则在事件中增大 vol |
| whoosh 音效“延迟” | 事件标记在动作结束时 | 标记动作开始；映射会在 0.2 秒后将峰值放置在动作中间 |
| 重复相同音效听起来像机器人 | 某个类别只有一个变种 | 为该类别添加更多音效，或在 --mapa 中使用不同的 st |
| 报告：“类别互换” | 库中没有该类别 | 运行 sintetizar_sfx.py 或使用该类别标准化一个音效包 |