VYBE 音频设计
声音是感知质量的一半。平庸的画面配上出色的声音会显得昂贵；出色的画面配上沉默则会显得未完成。
素材生成、检索和编排由 vybe audio 完成——参见 vybe/references/audio-pipeline.md。本技能提供的是方向指导：需要什么以及如何应用。加载 references/sound-design.md 以获取音效定位表。
按此顺序决定
- 是否需要旁白？ 当主题需要画面无法单独承载的解说（如解说片、纪录片、教程）或用户明确要求时，需要旁白。对于短片花絮、动态字体、氛围片、大多数 20 秒以内的广告，则不需要。默认：关闭。
- 音乐弧线。 将音乐与故事对应：前奏（稀疏）→ 铺垫（逐渐加入层次）→ 高潮（在揭示/顶点处）→ 结尾（在号召行动/标题处）。根据剪辑选择合适的节奏：平静 70–95 BPM，自信 100–115，充满活力 118–128。
- 音效定位。 标记每个值得强调的可见事件。然后删掉一半，为音乐留出空间。
- 混音。 旁白在最上层，音乐在其下，音效在中间——并在旁白时闪避音乐。
旁白
| 供应商 | 使用时机 | 备注 |
|---|---|---|
| HeyGen (Starfish) | 最佳质量 + 原生单词时间戳 | 需要 heygen OAuth 登录或 HEYGEN_API_KEY；通过 heygen auth login --oauth 获取免费额度 |
| ElevenLabs | 庞大的语音库、品牌声音 | ELEVENLABS_API_KEY；通过转录获取单词时间戳 |
| Gemini TTS | 具有风格提示的定向演绎 | 仅限明确选择；GEMINI_API_KEY |
| Kokoro-82M | 免费、离线、私密、确定性 | npx hyperframes tts；语音 am_michael, bm_george, am_adam, af_sky, af_heart, bf_emma, af_nova；--speed 0.9–1.15 |
为旁白写作：短句，每句一个想法，约 150 词/分钟（2.5 词/秒），数字按口语写出（如“二十九小时”），不要逐字朗读屏幕上的文字。每行前保留 0.3 秒空白，行末至少保留 0.5 秒。
按情绪分类的音乐
| 情绪 | 特征 | 适合场景 |
|---|---|---|
| 电影管弦乐 | 渐强、低音弦乐、渐强音、重音 | 预告片、太空、史诗式揭示 |
| 环境科技 | 音垫、柔和脉冲、玻璃质感 | 科学、AI、解说 |
| 未来电子 | 合成贝斯、琶音、110–125 BPM | 赛博朋克、发布、科技 |
| 企业激励 | 钢琴 + 轻鼓、大调 | 商业、SaaS、入门 |
| 极简 | 稀疏的钢琴/脉冲、大量留白 | 苹果风格、奢华 |
| 充满活力 | 强劲鼓点、120–128 BPM | 社交、体育、炒作 |
| 情感 | 慢速小调 → 大调提升 | 纪录片、故事、公益 |
检索查询措辞：情绪 + 乐器 + 能量 + 节奏，例如“黑暗氛围管弦乐，缓慢构建，无主唱，70 bpm”。切勿使用受版权保护的商业曲目；VYBE 的程序化背景音乐是保证可离线使用的备选方案。
混音目标
| 层 | 电平 |
|---|---|
| 旁白 | 每行 −16 LUFS（归一化），最响亮的一层 |
| 旁白下的音乐 | 约 −28 至 −31 LUFS 有效（闪避至背景音的约 0.28） |
| 纯音乐 | 音量 0.8 时约 −18 LUFS 背景音 |
| 音效 | 音量 0.3–0.5；冲击效果可在一帧内达到更高峰值 |
| 最终交付 | 集成 −14 LUFS，≤ −1 dBTP（由 vybe finalize 完成） |
同步规则
- 音效应落在视觉事件发生的帧上（落地时冲击，而非起跳时；呼啸声在动作达到峰值前约 0.1 秒开始；渐强音正好在打击点结束）。
- 在节拍上剪切：
npx hyperframes beats→ 将场景边界移动到网格上。 - 字幕来自转录或 HeyGen 时间戳——绝不要均匀分布。
- 使用以下命令验证：
npx hyperframes audio --dir composition --at <t>。