estudio-ia

影片的聲音

日期：2026-10-22 · 類型：技能 · 狀態：現行

摘要： 影片的聲音源自一個事件列表（每個出現在畫面、離開或撞擊畫面的元素各一個事件）和一個指令 som.py，它將每個音效的峰值放在正確的影格，將音樂壓在旁白下方，並交付帶有報告的混音。聲音不需要等待渲染：只要動畫的時間確定，聲音就可以先完成。混音的數值只有一個擁有者：06-metodo/regras.md；這項技能提供了方法、指令與主要表格。

何時使用

• 任何包含動態、介面、教學、廣告或純音樂的影片，需要同步音效。
• 有旁白的影片：乾聲放在前方，音樂墊在下方，音效保持低調。
• 有人物或場景但聽起來「很安靜」的影片：需要場景音（環境音與擬音）。請參閱 references/som-de-cena.md。
• 處理音樂：測量拍點與 Drop（batida.py）或分離人聲（separar.py）。

方法

1. 每一個可見的動作都有一個對應的聲音，而聲音描述該動作。 卡片進入發出 pop，按鈕發出 click，畫面切換發出 whoosh，印章發出撞擊聲，數字滾動。密度由動作決定，而非字數：在旁白下方最多同時有兩個音效。
2. 只有畫面驅動的聲音才能加入。 在靜止的剪接處加入 whoosh、場景中沒有時鐘卻加入時鐘聲、或沒有東西上升卻加入 riser，都會使聲音與影片脫節。在混音之前，先觀看影片並記錄哪些東西在動、何時動、以及用什麼材質。
3. 峰值落在事件的影格上。 點擊、pop、印章與撞擊：峰值落在元素接觸的影格。Whoosh：峰值落在動作的中段（約起始後 0.2 秒；預設映射已自動處理）。Riser：在 Drop 或剪接處乾收。
4. 調性音只用在高潮、過場與驚喜。 撞擊時加入和弦、印章與標誌加入和弦；大型過場加入短的 pad；揭露時加入鈴聲。絕不在點擊、pop 或按鍵上使用，否則會變成「小旋律」並造成聽覺疲勞。只有當音樂有已知調性時才傳入 --tom（例如 Am）。
5. 音樂配合時刻，而非舖滿全程。 開頭輕柔；Drop 前減速；呼吸空間；高潮在 kick 上。有旁白時，音樂音量遠低於旁白，並在呼吸段與無語句段落上升。
6. Drop 前要有呼吸空間。 在 Drop 前的最後一個拍點上，樂器部分乾收約 0.3–0.5 秒（--drop T 會做到這點），而關鍵字或最大的畫面變化落在 Drop 的第一個影格。使用 batida.py 測量 Drop，不要靠眼睛判斷。
7. 層次只出現在峰值。 Drop、標誌與結尾處同時有 2–3 個聲音；其餘時刻一個動作一個聲音。當同一個聲音重複出現時要改變音量（映射會自動輪替同一類別中的不同變體）。
8. 乾的人聲。 旁白不加殘響或迴音。
9. 聆聽分離的軌道。 som.py 會輸出 escuta/voz.wav、musica.wav、efeitos.wav 與 tonais.wav。同步性要檢查音效分軌，而非混音成品。

主要數值

擁有者：06-metodo/regras.md。如果那裡寫了不同的數值，以那裡為準。控制檯會自動套用這些值。

項目	數值
有旁白或音樂的主輸出	−14 LUFS 整合值，真實峰值 ≤ −1 dBTP（限制器 4 倍）
旁白下方的音樂	約 低 15 dB（報告會測量；可接受 12–18）
無旁白但有真實音樂的混音	音軌先標準化至 −19 LUFS，音效 ×2.2，限制器，主輸出 −14
僅場景音片段	−25 LUFS 整合值（上限 −24），短時 ≤ −20，瞬時 ≤ −16，峰值 ≤ −3。絕不標準化至 −14
場景音與旁白同時存在	場景音分軌 至少低於旁白 15 LU
音效庫	短音效瞬時峰值 −20 LUFS，背景音 −24，峰值 ≤ −3 dBTP；位置 at = 事件時間 − 峰值時間/1000
同步性	音效分軌中位數 ≤ 25 ms
拍點	beat_this，File2Beats(checkpoint_path="final0")；剪接點距離拍點 ≤ 2 個影格

逐步操作

所有指令都在工作室根目錄執行。

1. 音效庫準備好了嗎？ 如果 05-biblioteca/som/sfx/catalogo.json 不存在：uv run scripts/som/sintetizar_sfx.py。已錄製的聲音：uv run scripts/som/nivelar.py <音效包資料夾>（詳細資訊請參閱 05-biblioteca/som/README.md）。
2. 事件。 從動畫引擎匯出 eventos.json 到專案的 audio/ 資料夾。格式、接受的型別以及如何從 After Effects、HyperFrames 與 Remotion 匯出：references/eventos.md。
3. 音樂有拍點嗎？ uv run scripts/som/batida.py musica.mp3 --fps 30 會輸出 BPM、強拍與可能的 Drop 位置。根據這個格線來進行動畫剪接。
4. 需要音樂的人聲或樂器部分？ uv run scripts/som/separar.py musica.mp3（人聲 + 樂器）或 --modo 6（六個分軌）。
5. 混音：

   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 12.4
   

   輸出 mix.wav、escuta/*.wav、relatorio-som.json 與 previa-som.mp4（影像為複製，僅聲音改變）。
6. 閱讀報告並修正直到沒有警告。 「事件無聲音」= 映射無法識別的型別：將型別換成已知的，在事件中加入 "som": "categoria"，或撰寫 --mapa（見下方）。LUFS、峰值以及「音樂低於旁白」超出目標範圍也會顯示。
7. 場景音？ uv run scripts/som/verificar_som_de_cena.py <僅場景音混音> 或 ... escuta/efeitos.wav --voz escuta/voz.wav。未通過則不交付。
8. 聆聽。 帶聲音的預覽會交給工作室擁有者批准。在最終影片上，使用 --video render/final.mp4 執行相同指令：僅是重新封裝，無需重新渲染。

專屬的音效（--mapa）

一個 .py 檔案，內容為 MAPA = {tipo: função(M, e)}，會在你列出的型別上覆蓋預設映射：

# 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 = 半音階數
}

控制檯中可在映射中使用的函式：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 可接受類別（"whoosh"，會輪替不同變體）、音效庫中的檔案（"whoosh/whoosh-2"）或路徑。

指令

指令	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、報告與影片嵌入聲音
uv run scripts/som/sintetizar_sfx.py [--amostra prova.wav]	生成初始合成音效庫
uv run scripts/som/nivelar.py PASTA [--categoria X] [--cama] [--destino D]	將音效包標準化並更新目錄
uv run scripts/som/verificar_som_de_cena.py MIX.wav [--voz VOZ.wav]	拒絕音量過大的場景音（退出碼 1）
uv run scripts/som/batida.py MUSICA [--fps 30] [--json grade.json] [--video render.mp4]	拍點、強拍、BPM 與 Drop（基於 beat_this）
uv run scripts/som/separar.py MUSICA [--modo voz|6] [--saida PASTA]	人聲 + 樂器（MelBand Big Beta 4）或 6 分軌（BS-RoFormer SW）

som.py 的其他選項：--voz-entra、--musica-entra、--musica-de（對齊片段）、--dur、--impacto T0 T1（音樂上升到人聲音量）、--lufs、--pico、--fx -10（音效相對於人聲的 LUFS）、--saida。

batida.py 與 separar.py 使用 AI，需要額外套件：uv sync --extra cpu（或 NVIDIA 顯卡時使用 --extra gpu）。模型會在首次使用時自動下載（beat_this 約 80 MB；每個分離模型約 300–700 MB，儲存在 ~/.cache/estudio-ia/）。若未安裝額外套件，這兩個指令會暫停並顯示安裝指引。

常見錯誤

症狀	可能原因	處理方式
場景影片的音效「太大聲」	場景音被標準化至 −14	som.py 在無旁白無音樂時已設定目標為 −25；使用 verificar_som_de_cena.py 確認
無旁白影片中音效被音樂淹沒	母帶處理過的音軌（−8 至 −11 LUFS）	控制檯會將音軌標準化至 −19 並將音效放大 ×2.2；如果仍然被淹沒，在事件中提高 vol
whoosh 聲音「延遲」	事件標記在動作結束時	標記動作的開始；映射會將峰值設在 0.2 秒後
重複相同音效聽起來像機器人	該類別只有一個變體	在該類別中標準化更多音效，或使用 --mapa 中的不同 st
報告：「類別交換」	音效庫中沒有該類別	執行 sintetizar_sfx.py 或標準化包含該類別的包