Sonido (音訊處理) 是做什麼的？
音訊的每一步都以測量為基礎：峰值、音量、頻率範圍以及每個音效擊點的影格位置。而在展示音樂或音效選項之前，會先用「聽覺」工具替你過濾。所有規則都來自真實的修正案例，每一條都說明其存在的理由。
用途
- 人聲： 清理、調整音量、逐字轉寫，如果是合成語音，則確保其正確唸出標記。
- 音效 (SFX)： 每個動畫的每個手勢，精確對應到其影格位置。
- 音樂： 每個片段都搭配新的背景音樂，在剪切點進入，並以淡出結束。
- 混音與交付： 將音量調整至適合社群平台，並經過測量。
工具：ffmpeg 用於所有測量與混音；whisper-cli 用於轉寫；Adobe Podcast 或本地清理工具用於人聲；ElevenLabs 或其他生成器用於音樂、音效與語音（務必在 presupuesto 技能之後使用）；以及「聽覺」(參考資料/oido.md)。
工作流程
- 人聲優先。 在剪輯確認後，匯出語音音軌的混音、清理、調整音量，然後放回原位（在下方）。
- 擊點清單。 每個動畫的每個手勢，包含其精確秒數與對應音效。時間點來自合成使用的相同常數，而非目測。
- 音效。 每個片段一個腳本，將每個音效放置於其時間點，並設定音量，同時固定其持續時間 (參考資料/sfx-con-ffmpeg.md)。音效會經過測量，並混入動畫的影片檔中。
- 音樂。 風格與前一片段不同；經過「聽覺」篩選出 2 個選項；在剪切點以方形方式進入；在出口標記處約有 2 秒的淡出；設定背景音量及其在語音下的降低量。
- 混音與交付音量 調整。
- 檢查 (最後) 並在
pieza.md中加入一行記錄。
人聲
預設為真人錄音。 配音是真人或播音員的錄音。請不要自行提議使用合成語音；如果缺少配音，請提出需求。
清理
- Adobe Podcast (Enhance Speech)， 使用其免費版本且不調整設定，是目前聽起來效果最好的：在測試中，它將人聲相對於背景的清晰度提升了 3.3 dB；而本地的 DeepFilterNet 和 Resemble Enhance 僅提升約 0.3 dB，且聽起來「悶、模糊」。該人聲的問題是房間殘響，而非噪音。本地工具作為備用 (DeepFilterNet 約為 50 倍即時速度；Resemble 在 CPU 上約為 2 倍)。
- 將他人的語音上傳到外部服務需要取得其明確許可。 請不要試圖用腳本或自訂規則繞過此限制；如果沒有許可，請在本地進行清理。
- 每個片段上傳一次，而非每個剪輯： 上傳已剪輯好的語音混音。如果服務有大小限制，則使用 320 kbps 的 MP3 格式，並在靜音處分割較長的檔案。
- 放回時： 測量其與原始音訊的延遲 (應為 ~0 ms)，將其音量調整至與原始音訊一致，從相同時間點放入新音軌，並將原始音軌靜音 (不要刪除)。
轉寫 (用於字幕、音效與剪輯)
- 針對時間軸上現有狀態的語音，進行逐字轉寫：
whisper-cli -m <model> -l es -ml 1 -sow -oj。如何重建：請參考motion技能中的 字幕。 - Whisper 會將拉長的字詞提前至多 2 秒關閉。切勿切斷句子： 真正的結尾應在原始音訊中測量 (300 至 3400 Hz 之間的包絡線)。
合成語音 (僅在被要求時使用，並需搭配 presupuesto 技能)
- 數字需寫成中文，每次呼叫一句話，每句話生成 2 個版本並選擇最佳者；一次最多 5 個並行生成；輸出為 48 kHz / 24 位元，音量與現有語音一致。
- 剪輯時，靜音應位於句子之間，而非句子內部。
- 從頭設計語音：使用低「guidance」(約 3)；使用高「guidance」(約 8) 會導致語音生硬。
- 不複製真人演員的聲音： 而是尋找其風格。由本人演出台詞，再透過變聲器改變音色，保留其節奏。
- 如果有人對著鏡頭說話，就應聽到其聲音。 複製別人的聲音或進行嘴形同步，必須取得本人許可。
標記的正確發音
- 如果一個標記與英文單字相同，即使語音是拉丁語系，也會以英文發音。請為語音使用注音或音標寫法 (例如「Social」→「Sosiál」)，並在其後加上逗號測試。
- 測量它： Whisper 會相同地轉寫兩種發音。字詞內部超過 70 ms 的停頓 = 表示它被切成了兩個字。對於起始的「u」，其前 50 ms 的 F2 頻率可用來區分西班牙語 (低於 ~1000 Hz) 與英語「iu」(高於 2000 Hz 並下降)，例如使用 Praat 測量。
- 沒有任何測量方法能完美判斷口音：生成一批語音，丟棄那些會切斷字詞的版本，然後僅將每個倖存版本中標記的部分拼接成一個單獨的 .wav 檔案，讓使用者憑聽覺選擇。每當合成語音唸出一個標記時，務必提醒使用者。
音效
| 畫面手勢 | 對應音效 |
|---|---|
| 訊息進入模擬聊天視窗 (或代表訊息的東西) | 該應用程式的真實音效，也就是觀眾能辨識出「收到訊息」的聲音 (通常是通知音)，剪輯至約 1 秒；如果是連續訊息，約 0.4 秒且音量更低 |
| 訊息已送出、語音訊息已送出 | 該應用程式對應的真實音效 |
| 鏡頭移動、橫搖 | 低沉的聲音或音調滑動，切勿使用持續噪音；位於語音下方，音量更低，或是一個撞擊聲，或無聲 |
| 撞擊、強烈出現 | 在中頻 (200–2000 Hz) 有力量感，並帶有些許低頻的撞擊聲 |
| 計數器、滴答聲、介面彈出聲 | 合成的短音調；在連續提示時，每次音調升高一個半音 |
| 高潮 | 鐘聲 + 低頻 |
| 人物手勢 (出現、打破、劃掉、按下) | 擬真的音效庫 (資料庫或生成)，並測量其高頻部分 |
| 語音中的關鍵字 | 在其重音節上的一個短促有力的重音 |
應用程式的真實音效需從手機錄製或從官方應用程式中提取；它們的音量不同，需要進行統一等化。擬真的音效庫也會有嘶聲 (實測的時鐘、升級與金幣音效中，70% 到 97% 的能量集中在 3 kHz 以上)：請測量並對其進行低通濾波，或使用音調合成。
音樂
- 一支現場演奏的樂隊： 器樂、活潑、帶有半即興風格與和弦；而非聽起來像廣告的素材庫循環。一個基本風格 (例如有機搖滾) 並在片段之間輪替：放克、爵士、R&B 或某些當地風格，用於需要歡樂氣氛的片段。
- 提示詞描述聲音，而非畫面： 類型、能量、樂器、BPM 以及其發展方式。曾經有效的提示詞 (英文)：「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」。
- 兩個選項： A = 基本風格，B = 輪替風格。為了在剪輯器中比較，第二個選項放在另一條已靜音的音軌中。
- 在選擇前先測量： 大約一半的生成音檔會在結束前消失或有空白。查看最後 3 秒，尋找超過 0.5 秒的靜音，並提取每秒的包絡線 (在哪裡上升，何時消失)。約 50 秒長的音檔通常會在第 46 秒左右自行消失：選擇開頭剪輯，使淡出落在音量的飽滿部分。
- 音樂進入點應對齊影像剪輯點和語音停頓處。 將音軌向前或向後移動，或在最能無縫銜接的接縫處重複前奏的一個小節。切勿拉伸音軌，也不要為了配合音樂而移動影片。
- 如果歌曲提前結束，在進入點之後重複一個 4 小節的樂句。
- 約 2 秒的淡出 (cos² 曲線，直接燒錄於 WAV 檔案中) 精確結束於出口標記處，落在節奏律動上，而非最後的強拍。
- 在系列作品 (例如故事 1 → 2 → 3) 中，音樂應連續播放並保持相同音量。
- 音樂可能經過重度母帶處理 (−12 至 −14 LUFS，真實峰值接近 0 dB)：這是正常的；只需將其降低至背景音量即可。
不可動搖的原則
- 預設使用真人語音。 原因： 真人的聲音是使影片片段可信的關鍵，合成語音在第一個說錯的名字就會露出馬腳。
- 動畫應配合語音， 反之則否：不應為了配合圖形而在語音中加入停頓。
- 每個動畫都應有對應的音效， 無需要求，且每個擊點都應落在測量出的影格上。 原因： 無聲的動畫感覺像是半成品，而延遲的擊點效果更糟。
- 如果一個聲音沒有對應的畫面手勢或語音重音，就是多餘的。 原因： SFX 是輔助性的；它不是環境音。
- 沒有「嘶嘶」聲。 任何動作都不使用白噪音或持續噪音；噪音僅可作為毫秒級瞬態使用。 原因： 嘶聲聽起來廉價，會干擾旁白，而且是最常被退回的項目。
- 在模擬畫面中，使用應用程式的真實音效。 原因： 熟悉的聲音讓聊天模擬看起來真實；而通用的「啵」聲則會暴露它是動畫。
- 每個聲音應有各自獨立的音量。 不應對整個音軌進行標準化；限制器僅用於控制峰值。 原因： 如果對所有聲音一起進行標準化，最響亮的擊點會壓低其他聲音。
- 需要被聽到的聲音應在中頻有力量感。 原因： 純粹的低頻 (幾乎所有能量低於 120 Hz) 在手機喇叭上聽不見。
- 聲音應隨著想法的方向而變化。 原因： 一個下沉且無法解決的問題，與一個上升並閉合 (例如在五度音程上) 的解決方案，可以用無聲的方式敘述故事。
- 每個片段都使用新的音樂。 原因： 重複的歌曲是最容易令人厭倦的 (「除了歌以外都喜歡」)。
- 切勿讓音樂突然中斷。 如果片段長度改變，應重新製作背景音樂 (重新剪輯並添加淡出)；不要在剪輯器中直接裁剪音軌。 原因： 突然中斷的結尾在交付時會很明顯。
- 語音優先。 如果語音改變，應重新調整音樂的降低幅度。
- 在展示前先行篩選，僅展示 2 或 3 個最佳選項。 原因： 盲目地提供九個選項會讓人疲倦並消耗信任。
- 「聽覺」用於篩選，而非選擇。 原因： 曾有獲得「聽覺」最高分的音檔仍被拒絕；最終決定權在工作人員的聽覺。
數值
| 項目 | 數值 |
|---|---|
| 無語音背景的獨立音效 | 峰值 ≈ −5.5 dB；RMS ≈ −22 至 −25 dB |
| 位於語音下方的音效 | 峰值 ≤ −9 dB；RMS ≤ −27 dB |
| 聊天訊息音效 | 與語音音量相當 (在音軌中約為 −21 dB RMS) |
| 聊天對話框的擊點 | 在其影格時間點 + 0.02 秒 |
| 位於語音下方的橫搖聲 | 中心頻率 ≤ 750 Hz，低通至 2.5 kHz，峰值 ≈ −20 dB |
| 嘶聲 | 任何段落在 3.5 kHz 以上的能量不得超過 35% |
| 限制器 | alimiter=limit=0.52:level=disabled (上限 ≈ −5.7 dB) |
| 有旁白的背景音樂音量 | 在空白處為 −20 LUFS；低於語音 4.5 dB |
| 有對鏡頭說話者的背景音樂音量 | 在空白處為 −23 LUFS；低於語音 7 dB |
| 淡出 | 約 2 秒，cos² 曲線，結束於出口標記處 |
| 未經處理的鏡頭前語音音量 | 約 −26 LUFS：如果提高語音，音樂和音效也應隨之提高 |
| 社群平台交付音量 | −14 至 −15 LUFS 積分音量；真實峰值 ≤ −1 dBTP |
| 手機測試 | 音量下降 2–6 dB：正常；下降超過 6 dB：表示中頻不足 |
用於測量每項數值的指令： 參考資料/sfx-con-ffmpeg.md。
已知陷阱
alimiter預設會自動調整音量： 啟用level後，上限不再是上限，峰值會洩漏。務必設定level=disabled。- 限制器並非線性的： 它會反覆進行標準化 (測量、修正、重建；最多 4 次)。
volume=…:eval=frame會以約 21 毫秒為區塊改變增益： 以高於約 5 Hz 的頻率調變會產生階梯狀失真 (破碎的嗡嗡聲)。快速調變應在aevalsrc中進行逐樣本處理。-t會裁剪但不會填補長度： 使用apad+-t來固定持續時間。- 如果 Remotion 的渲染在 .mov 中產生一條靜音音軌 (取決於版本)，SFX 應取代它 (
-map 0:v -map 1:a)，並使用-t <影片持續時間>；在 MOV 中使用-shortest會吃掉最後幾個影格。 - Whisper 在只有音樂或噪音時會產生幻覺 (例如「Gracias por ver el video」、「Thank you」)：這些地方沒有語音。
- 剪輯中連結的音訊可能會蓋過其他音軌：SFX 應最後放置，並使用一條獨立的音軌。
- 拔掉藍牙耳機後 Premiere 變靜音： 耳機被設置為輸入和輸出設備 (免持模式)。請至偏好設定 → 硬體音訊：將輸入設為「無輸入」，輸出設為電腦喇叭。在 macOS 上，使用
system_profiler SPAudioDataType查詢預設裝置。 - 加快語音訊息但不改變音調： 使用
atempo=1.1。
交付項目與驗證項目
交付項目： 清理後的人聲 (.wav)；每個動畫的音效 .wav，長度與動畫完全相同 (影格 0 對應影格 0)，已混入其 .mov 或作為獨立檔案；包含燒錄淡出的背景音樂；最終混音；以及在 pieza.md 中加入一行，說明已完成的工作、測量結果與待辦事項。
驗證項目 (需透過測量)：
- 積分音量在 −14 至 −15 LUFS 之間，真實峰值 ≤ −1 dBTP。
- 背景音樂在空白處保持設定音量，並在語音下方降低。
- 音樂在出口標記處以淡出結束。
- 每個擊點落在正確的影格上 (比對擊點清單與波形)。
- 沒有任何段落有嘶聲 (超過 35% 的能量位於 3.5 kHz 以上)。
- 關鍵擊點在手機測試中可聽見。
- 清理後的人聲與原始人聲無延遲。
- 音效的持續時間與影片相同。
- 如果使用了合成語音：標記的發音經過測量並由工作人員聽過確認。