声音与音乐同步是做什么的？

声音是视频的一半，却经常被遗忘。一段普通的动画，如果与节拍同步剪辑且旁白清晰，看起来会很专业；而一段精美的动画，如果剪辑节奏不准、旁白被音乐淹没，看起来就会很业余。这就是音频品味层。你来决定剪辑落在哪里、音效在哪里突出、旁白如何呼吸以及混音如何平衡——然后将具体数值（节拍帧、音效时间戳、音量降低水平）传递给 remotion-compose 以加载到时间线上，以及 remotion-render 以导出。你不需要编写 <Audio> 的 JSX 或运行渲染器；你只需做出创意决策，然后交给它们处理。

该技能与运动视频导演包中的其他技能配合使用：video-storyboard 的场景列表和 motion-design-principles 的时间决策是你的输入——你需要根据已有的节拍进行配乐。如果文本根据音频动态显示，请与 kinetic-typography 同步；如果剪辑节奏服务于产品演示，请与 product-demo-director 协调；如果要剪辑垂直/社交版本，请使用 social-video-formatter 重新计算每个平台的节拍。音频混音是一个独立的层——将视觉外观（色彩校正、灯光、对比度）交给 motion-color-and-light，然后在其基础上进行配乐。

工作流

按顺序执行这些步骤。不要在剪辑与节拍锁定之前放置音效，也不要在旁白时间确定之前最终确定混音——每一步都依赖前一步。

选择音乐并锁定节奏。 选择与视频能量和长度匹配的音乐，确认其授权（参见 references/royalty-free-sourcing），并获取其 BPM。大多数免版税音乐库都会列出 BPM；如果没有，可以手动敲击或用节拍检测器计算。BPM 是所有后续工作的基础——一个节拍持续 60 / BPM 秒，在项目帧率下就是 fps * 60 / BPM 帧。
构建节拍网格并将剪辑对齐到节拍。 将节拍转换为帧编号，并将每个硬切和主要场景变化放在一个节拍上（运行下面的 beat_grid.js）。在强拍上切割——4/4拍中的第1、5、9拍——以强调重点；在任何节拍上切割以进行常规转场。如果剪辑距离节拍有两三帧的偏差，即使观众无法说出原因，也会感觉“不对”。将对齐后的帧列表作为 <Sequence from={...}> 的边界传递给 remotion-compose。
在转场处放置音效，而不是在转场之上。 音效用于让运动感觉真实。规则：音效的峰值应该与运动的峰值同时出现。呼啸声引入滑动效果（在切割前约 3-5 帧开始，使其尾部落在切割上）；撞击声/重击声落在一张卡片“啪”地弹出的 那一帧 上；点击声/爆裂声落在 UI 元素出现的帧上；渐强音在揭示效果前的 10-20 帧内构建，并在揭示时解决。每个转场使用一个音效——将它们叠加在一起会把点缀变成噪音。参见 references/sfx-placement。
调整旁白节奏，使其有呼吸感。 旁白决定了视频的真正节奏；视觉效果服务于旁白，而不是相反。目标是对话式的约 150 词/分钟（≈2.5 词/秒）——太快会显得匆忙，太慢则像人质视频。在关键台词前和行动号召（CTA）后留出 8-15 帧的静音节拍。为耳朵写作：短句，一个想法一句，使用缩略词。永远不要让场景在单词中间切割——将场景边界对齐到句子之间的间隙。先确定旁白的时间，然后拉伸或压缩场景持续时间以匹配旁白（这将成为 remotion-compose 使用的 durationInFrames）。
混音：降低音乐音量，使旁白突出。 这是最常见的音频失败。音乐和全音量的旁白在相同的频率范围内竞争，导致词语丢失。每当旁白 说话时，将音乐降低到其水平的约 25-35%，然后在间隙中恢复。运行 mix_levels.js 以获取具体的电平和时间数值。旁白目标为 -3 到 -6 dB（清晰，从不削波），降低后的音乐目标为 -18 到 -22 dB。将降低音量包络（哪些帧需要降低音量，下限水平）传递给 remotion-compose，后者通过每个 <Audio> 的 volume 回调来应用。
抽查导出结果。 在 remotion-render 生成 MP4 后，在笔记本电脑扬声器和手机扬声器上收听，而不仅仅是好的耳机——大多数观众使用的是劣质扬声器。确认：旁白的每个单词在音乐中都清晰可辨，没有音效削波或吓人一跳，剪辑感觉与节拍锁定，最响亮的时刻不产生失真。如果某个单词听不清，在该时间范围内更大幅度地降低音乐；如果音效吓人，将其降低 6 dB。

质量标准

只有满足以下所有条件，音频才算 A+ 级别：

每个硬切都落在网格的节拍帧上——没有在节拍之间漂浮。
每个转场音效的峰值正好在运动峰值的帧上；渐强音在揭示时解决，而不是之前或之后。
旁白速率约为 140-160 wpm，在关键台词前和 CTA 后留出有意的静音；场景不在单词中间切割。
在手机扬声器上，旁白在音乐中完全可懂——已验证，而非假设——因为音乐在语音下方降低到约 30%。
每个转场恰好有一个音效；音乐循环或干净结束，在最后一帧没有突然中断。
每个音频资产的许可证允许预期的用途（商业/付费广告/客户工作），并且已记录归属要求。

不要

不要为了保留场景的“自然”长度而让剪辑偏离节拍——而是将场景拉伸或修剪到最近的节拍。
不要在旁白下方以全音量运行音乐；未降低音量的音乐是旁白听起来模糊的原因。每次有人在说话时都要降低音量。
不要在一个转场上叠加多个音效，或每次切割都使用相同的呼啸声——让它们变化，否则耳朵会忽略它们。
不要在此处编写 <Audio> 的 JSX、设置 startFrom/volume 回调或调用渲染器——产生数值并交给 remotion-compose / remotion-render 处理。
不要从 YouTube 下载、没有明确许可的“免费”网站或客户的 Spotify 获取音轨——商业用途需要真正的免版税或有授权来源。
不要将整个混音标准化到尽可能大音量；留出余量，以便最响亮的撞击不会削波。
不要让旁白为了适应固定时长而赶时间——重新剪辑画面以适应旁白，而不是让旁白适应画面。

计算器：节拍网格

自包含的 Node 脚本。保存为 beat_grid.js 并使用 node beat_grid.js 运行。它将 BPM 和 fps 转换为你的剪辑应落在的精确帧编号，并标记强拍。无依赖项。将打印的帧作为 <Sequence from={...}> 边界传递给 remotion-compose。

// 节拍网格。编辑输入，然后执行：node beat_grid.js
const input = {
  bpm: 120,            // 所选音乐的节奏
  fps: 30,             // 项目帧率
  durationSeconds: 12, // 视频时长
  beatsPerBar: 4,      // 4/4 拍；每 4 拍为一个强拍
}

const framesPerBeat = (input.fps * 60) / input.bpm
const totalFrames = Math.round(input.durationSeconds * input.fps)
const beats = []
for (let b = 0; ; b++) {
  const frame = Math.round(b * framesPerBeat)
  if (frame > totalFrames) break
  beats.push({ beat: b + 1, frame, downbeat: b % input.beatsPerBar === 0 })
}

console.log('每节拍帧数:', framesPerBeat.toFixed(2), '(' + (60 / input.bpm).toFixed(3) + 's each)')
console.log('在这些帧上切割（* 表示强拍，最适合硬切）：')
for (const b of beats) {
  console.log('  beat ' + String(b.beat).padStart(2), '-> frame', String(b.frame).padStart(4), b.downbeat ? '*' : '')
}
console.log('仅强拍帧:', beats.filter((b) => b.downbeat).map((b) => b.frame).join(', '))

工作示例输出

使用上述输入，脚本会打印：

每节拍帧数: 15.00 (0.500s each)
在这些帧上切割（* 表示强拍，最适合硬切）：
  beat  1 -> frame    0 *
  beat  2 -> frame   15 
  beat  3 -> frame   30 
  beat  4 -> frame   45 
  beat  5 -> frame   60 *
  beat  6 -> frame   75 
  beat  7 -> frame   90 
  beat  8 -> frame  105 
  beat  9 -> frame  120 *
  ...
仅强拍帧: 0, 60, 120, 180, 240, 300, 360

解释：在 120 BPM 和 30 fps 下，一个节拍恰好是 15 帧。将常规转场放在任何列出的帧上，将最硬的切割——如开头到内容的切割、CTA 揭示——放在强拍上（0, 60, 120…）。如果某个场景想运行 70 帧，将其对齐到 75 帧（节拍 6），而不是让切割漂浮在 70 帧。这些对齐后的数字正是 remotion-compose 放入 <Sequence from={...}> 的内容。

计算器：混音电平和降低音量时机

自包含的 Node 脚本。保存为 mix_levels.js 并使用 node mix_levels.js 运行。它计算降低后的音乐水平以及每段旁白的帧范围，以便你给 remotion-compose 一个具体的包络，而不是一个模糊的感觉。无依赖项。

// 混音和降低音量规划器。编辑输入，然后执行：node mix_levels.js
const input = {
  fps: 30,
  musicVolume: 0.8,       // 无人说话时音乐音量（0-1）
  duckToPercent: 0.30,    // 旁白下方音乐降低到此比例的原始音量
  voVolume: 1.0,          // 旁白音量（保持旁白为最响元素）
  duckFadeFrames: 8,      // 淡入/淡出帧数，使降低不是硬跳变
  // 旁白句子为 [开始秒数, 结束秒数]；在这些时间段内降低音乐，并添加淡变边距
  voLines: [
    [0.5, 3.2],
    [4.0, 7.5],
    [8.2, 11.0],
  ],
}

const duckedLevel = +(input.musicVolume * input.duckToPercent).toFixed(3)
const toFrame = (s) => Math.round(s * input.fps)
// 参考粗略 dB：20*log10(level)
const dB = (v) => (v <= 0 ? '-inf' : (20 * Math.log10(v)).toFixed(1) + ' dB')

console.log('旁白音量:           ', input.voVolume, '(' + dB(input.voVolume) + ')  <- loudest element')
console.log('音乐（无人说话时）:  ', input.musicVolume, '(' + dB(input.musicVolume) + ')')
console.log('旁白下方音乐降低至:', duckedLevel, '(' + dB(duckedLevel) + ')')
console.log('降低淡变:          ', input.duckFadeFrames, 'frames in/out')
console.log('在这些帧范围降低音乐（每侧添加 ' + input.duckFadeFrames + 'f 用于淡变）：')
for (const [start, end] of input.voLines) {
  const a = toFrame(start) - input.duckFadeFrames
  const b = toFrame(end) + input.duckFadeFrames
  console.log('  VO ' + start + 's-' + end + 's  -> duck frames', Math.max(0, a), 'to', b)
}

工作示例输出

旁白音量:            1 (0.0 dB)  <- loudest element
音乐（无人说话时）:   0.8 (-1.9 dB)
旁白下方音乐降低至: 0.24 (-12.4 dB)
降低淡变:           8 frames in/out
在这些帧范围降低音乐（每侧添加 8f 用于淡变）：
  VO 0.5s-3.2s  -> duck frames 7 to 104
  VO 4s-7.5s    -> duck frames 112 to 233
  VO 8.2s-11s   -> duck frames 238 to 338

解释：旁白保持全音量（混音中最响的元素），音乐在间隙中运行在 0.8，在有人说话时降低到 0.24——大约三分之一——并在 8 帧内淡变，使下降不是刺耳的跳变。帧范围正是 remotion-compose 传递给音乐 <Audio> 的 volume 回调的范围：在范围外全音量，在范围内为 duckedLevel，并在淡变边距内线性渐变。这就是为什么单词保持清晰而音乐不会消失的原因。

模板：音频提示表单

复制此表单，用你的节拍网格和混音电平输出填充 FILL 字段，并将完成的表单交给 remotion-compose。这是视频中每个音频决策的唯一真实来源。

音频提示表。 [FILL: 视频名称]。fps [FILL] / [FILL] BPM / [FILL]s 总时长

音乐
  音轨:                 [FILL: 标题 + 来源]
  许可证:               [FILL: 例如 Epidemic Sound 商业 / CC0] - 归属要求: [FILL: 是/否, 文字]
  音量（无人说话时）:   [FILL: 0-1]    旁白下方降低至: [FILL: 0-1] (~30%)

节拍网格（来自 beat_grid.js）- 剪辑落在此处
  强拍帧:               [FILL: 0, 60, 120, ...]
  硬切位置:            [FILL: 哪些强拍承载主要切割]

音效（每个转场一个；峰值在运动峰值的帧上）
  帧      音效            角色
  [FILL]   [FILL whoosh]  引入滑动效果（提前约 4f 开始，尾部落在切割上）
  [FILL]   [FILL impact]  卡片“啪”地弹出，落在切割帧上
  [FILL]   [FILL riser]   在 10-20f 内构建，在揭示时解决
  [FILL]   [FILL pop]     UI 元素出现

旁白（约 150 wpm；场景适应旁白，而不是相反）
  行                                      开始    结束    场景
  [FILL line]                            [FILL]  [FILL]  [FILL]
  (关键行前 / CTA 后静音 8-15f)

降低音量包络（来自 mix_levels.js）- 降低音乐的帧范围
  [FILL: 7-104, 112-233, ...]  淡变 [FILL]f 入/出

交接：remotion-compose 连接 <Audio> + 音量回调；remotion-render 导出。

references/royalty-free-sourcing

商业视频需要你实际获得授权使用的音乐——“我在 YouTube 上找到的”不是授权，客户的 Spotify 也不是。根据使用场景分类的授权/免版税来源：

订阅库（对客户/商业/广告最安全）： Epidemic Sound, Artlist, Musicbed, Soundstripe。固定费用，广泛的商业授权，大型音效库，无逐视频归属要求。付费工作的默认选择。
免费但有条件（检查每个音轨）： YouTube Audio Library（免费，某些音轨需要归属），Pixabay Music 和 Mixkit（免费，可用于商业用途，无需归属），Free Music Archive 和 ccMixter（知识共享——阅读具体的 CC 许可证，某些禁止商业用途或要求归属）。
专门的音效： Pixabay 和 Mixkit（免费），Epidemic/Artlist（捆绑在订阅中），freesound.org（知识共享——验证每个剪辑的许可证）。

许可证卫生惯例，始终：确认许可证涵盖你的确切用途（个人 vs. 商业 vs. 付费广告，这通常是一个单独的层级）；在提示表中记录任何所需的归属文字；保留许可证/下载的证明。CC0 和公共领域是唯一“在任何地方自由使用”的情况——其他一切都有条款。如有疑问，付费订阅库比下架或被索赔更便宜。

参考资料

...

声音与音乐同步