音效與音樂同步是做什麼的？

聲音是影片的一半，卻是最常被忽略的一半。一個平庸的動畫若能對上節拍並搭配清晰的旁白，看起來就很專業；而一個精美的動畫如果剪輯點漂浮不定，旁白又被音樂淹沒，看起來就很業餘。這是關於聲音品味的層級。你來決定剪輯點落在哪裡、音效該在何處加強、旁白該如何呼吸、以及混音該如何平衡——然後你將具體的數值（節拍影格、音效時間戳記、閃避音量）交給 remotion-compose 來編排到時間軸上，並交給 remotion-render 來輸出。你不需要撰寫 <Audio> JSX 或執行渲染器；你做出驅動它們的創意決策。

這項技能與 motion-video-direction 系列的其他技能配合使用：video-storyboard 的場景清單和 motion-design-principles 的時間決策是你的輸入——你要根據已存在的節拍來進行配樂。如果文字要跟著音訊動畫，請搭配 kinetic-typography；如果剪輯節奏是為了引導產品介紹，請與 product-demo-director 協調；如果你在剪輯直向/社群媒體版本，請使用 social-video-formatter 為每個平台重新推導節拍。音訊混音是它自己的層級——視覺效果（調色、燈光、對比）交給 motion-color-and-light，然後根據它調完的結果來配樂。

工作流程

按順序執行。在剪輯點與節拍鎖定之前，不要開始放置音效；在旁白時間確定之前，不要完成混音——每個步驟都依賴前一個步驟。

挑選歌曲並鎖定節奏。 選擇與影片能量和長度匹配的音樂，確認其授權（參見 references/royalty-free-sourcing），並獲取其 BPM。大多數免版稅音樂庫都會列出 BPM；如果沒有，可以手動打拍子或用偵測器。BPM 是所有後續步驟的基礎——一個節拍持續 60 / BPM 秒，在專案影格率下則是 fps * 60 / BPM 個影格。
建立節拍網格並將剪輯點對齊。 將節拍轉換為影格編號，並將每個硬剪輯和主要場景變化都放在一個節拍上（執行下面的 beat_grid.js）。為了強調重點，在重拍（4/4 拍中的第 1、5、9 拍）上進行剪輯；對於常規轉場，可以在任何一個節拍上剪輯。一個偏離節拍兩三個影格的剪輯，即使觀眾說不出原因，也會覺得「不對」。將對齊後的影格清單作為 <Sequence from={...}> 的邊界交給 remotion-compose。
在轉場處放置音效，而不是蓋過它們。 音效的存在是為了讓動作感覺更真實。規則是：音效的高峰必須與動作的高峰同時出現。一個呼嘯聲領先於一個滑動（在剪輯點前約 3-5 個影格開始，讓它的尾音落在剪輯點上）；一個撞擊/重擊聲落在卡片撞入的那個影格上；一個點擊/爆裂聲落在 UI 元素出現的那個影格上；一個漸強音在揭露前的 10-20 個影格中 逐漸增強，並在揭露那一刻達到頂點。每個轉場只放一個音效——堆疊多個音效只會把標點符號變成噪音。請參見 references/sfx-placement。
調整旁白節奏，讓它聽起來有呼吸感。 旁白決定了影片的實際節奏；視覺是為其服務的，反之則不然。目標是大約每分鐘 150 字的對話速度（約 2.5 字/秒）——太快會顯得倉促，太慢則像人質影片。在關鍵台詞之前和行動呼籲（CTA）之後，留下一段沉默的節拍（8-15 個影格）。為耳朵而寫：使用短句，每個句子一個想法，使用縮寫。永遠不要讓場景在一個字的中間剪輯——將場景邊界對齊到句子之間的間隙。先計時旁白，然後拉伸或壓縮場景長度以適應它（這會成為 remotion-compose 使用的 durationInFrames）。
混音：將音樂閃避，讓旁白浮在頂層。 這是音訊最常見的失敗。音樂和全音量的旁白在同一個頻率範圍內競爭，導致台詞聽不清楚。每當旁白在說話時，將音樂閃避到大約其原始音量的 25-35%，然後在間隙中再將音量拉回來。執行 mix_levels.js 以獲得具體的音量和時間數值。目標是讓旁白大約在 -3 到 -6 dB（清晰，絕不削波），閃避後的音樂大約在 -18 到 -22 dB。將閃避包絡線（哪些影格需要閃避，以及降低後的音量）交給 remotion-compose，它會透過每個 <Audio> 的 volume 回呼來應用。
檢查輸出。 在 remotion-render 產出 MP4 後，用筆電喇叭和手機喇叭聽，而不只是用好的耳機——大多數觀眾用的是爛喇叭。確認：旁白的每個字在音樂背景下都能聽懂，沒有音效削波或嚇人一跳，剪輯點感覺牢牢鎖在節拍上，而且最大聲的時刻沒有失真。如果某個字聽不清楚，就在那個時間範圍內將音樂閃避得更深；如果音效嚇人，就把它們調低 6 dB。

品質標準

只有當以下所有條件都成立時，音訊才算 A+ 等級：

每個硬剪輯都落在節拍網格中的一個節拍影格上——沒有任何剪輯漂浮在節拍之間。
每個轉場音效的高峰都與其動作的高峰發生在同一個影格上；漸強音在揭露那一刻達到頂點，而不是之前或之後。
旁白速度維持在約 140-160 wpm，並在關鍵台詞之前和 CTA 之後有刻意安排的沉默；沒有場景在一個字的中間剪輯。
在手機喇叭上，旁白在音樂背景下完全能聽懂——這是驗證過的，不是假設——因為音樂在說話時會閃避到大約 30% 的音量。
每個轉場恰好有一個音效；音樂軌道能乾淨地循環或結束，在最後一個影格沒有突然中斷。
每個音訊素材的授權都允許預期的用途（商業 / 付費廣告 / 客戶專案），並且記錄了歸屬要求。

禁止事項

不要為了保留場景的「自然」長度而讓剪輯點偏離節拍——改為將場景拉伸或修剪到最近的節拍。
不要在旁白下方以全音量播放音樂；未經閃避的音樂是旁白聽起來含糊不清的原因。每當有人說話時都要進行閃避。
不要在一個轉場上堆疊多個音效，或在每個剪輯點重複使用相同的呼嘯聲——要變化，否則耳朵會對它們麻木。
不要在這裡編寫 <Audio> JSX、設置 startFrom / volume 回呼或呼叫渲染器——產出數值並將它們交給 remotion-compose / remotion-render。
不要從 YouTube 下載、沒有明確授權的「免費」網站或客戶的 Spotify 取得音軌——商業用途需要真正的免版稅或授權來源。
不要將整個混音標準化到最大聲；保留一些空間，讓最大聲的撞擊不會削波。
不要為了適應固定的片長而讓旁白趕時間——根據旁白重新剪輯視覺，而不是反過來。

計算器：節拍網格

自含的 Node 腳本。儲存為 beat_grid.js 並使用 node beat_grid.js 執行。它將 BPM 和影格率轉換為你的剪輯點應該落下的精確影格編號，並標記出重拍。無需依賴其他套件。將列印出的影格作為 <Sequence from={...}> 邊界交給 remotion-compose。

// 節拍網格。編輯輸入，然後：node beat_grid.js
const input = {
  bpm: 120,            // 所選歌曲的節奏
  fps: 30,             // 專案影格率
  durationSeconds: 12, // 影片長度
  beatsPerBar: 4,      // 4/4 拍；重拍每 4 拍出現一次
}

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('每個節拍影格數:', framesPerBeat.toFixed(2), '(' + (60 / input.bpm).toFixed(3) + 's each)')
console.log('在這些影格上剪輯 (* = 重拍，最適合硬剪輯):')
for (const b of beats) {
  console.log('  beat ' + String(b.beat).padStart(2), '-> frame', String(b.frame).padStart(4), b.downbeat ? '*' : '')
}
console.log('僅重拍影格:', beats.filter((b) => b.downbeat).map((b) => b.frame).join(', '))

工作範例輸出

使用上述輸入，腳本將輸出：

每個節拍影格數: 15.00 (0.500s each)
在這些影格上剪輯 (* = 重拍，最適合硬剪輯):
  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 *
  ...
僅重拍影格: 0, 60, 120, 180, 240, 300, 360

解讀：在 120 BPM 和 30 fps 的情況下，一個節拍剛好是 15 個影格。將常規轉場放在任何一個列出的影格上，而將你最硬的剪輯——例如開頭到內容的剪輯、CTA 的揭露——放在一個重拍（0, 60, 120…）上。如果一個場景想要持續 70 個影格，將其對齊到 75（第 6 拍），而不是讓剪輯點漂浮在 70。這些對齊後的數值正是 remotion-compose 要放入 <Sequence from={...}> 中的內容。

計算器：混音音量和閃避時機

自含的 Node 腳本。儲存為 mix_levels.js 並使用 node mix_levels.js 執行。它計算閃避後的音樂音量以及每個旁白行需要閃避的影格範圍，這樣你交給 remotion-compose 的是一個具體的包絡線，而不是一種感覺。無需依賴其他套件。

// 混音和閃避規劃器。編輯輸入，然後：node mix_levels.js
const input = {
  fps: 30,
  musicVolume: 0.8,       // 無人說話時的音樂音量 (0-1)
  duckToPercent: 0.30,    // 在旁白下，將音樂閃避到此百分比
  voVolume: 1.0,          // 旁白音量（讓旁白成為最大聲的元素）
  duckFadeFrames: 8,      // 淡入/淡出影格數，使閃避不會太突兀
  // 旁白行 [開始秒數, 結束秒數]；在每個範圍內閃避音樂，並加上淡變邊距
  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)
// 用於參考的大致 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) + ')  <- 最大聲的元素')
console.log('音樂 (無說話聲):  ', input.musicVolume, '(' + dB(input.musicVolume) + ')')
console.log('旁白下閃避後的音樂:', duckedLevel, '(' + dB(duckedLevel) + ')')
console.log('閃避淡變:          ', input.duckFadeFrames, '影格 淡入/淡出')
console.log('在這些影格範圍內閃避音樂 (每側加上 ' + input.duckFadeFrames + ' 影格作爲淡變邊距):')
for (const [start, end] of input.voLines) {
  const a = toFrame(start) - input.duckFadeFrames
  const b = toFrame(end) + input.duckFadeFrames
  console.log('  旁白 ' + start + 's-' + end + 's  -> 閃避影格', Math.max(0, a), '至', b)
}

工作範例輸出

旁白音量:            1 (0.0 dB)  <- 最大聲的元素
音樂 (無說話聲):   0.8 (-1.9 dB)
旁白下閃避後的音樂: 0.24 (-12.4 dB)
閃避淡變:           8 影格 淡入/淡出
在這些影格範圍內閃避音樂 (每側加上 8 影格作爲淡變邊距):
  旁白 0.5s-3.2s  -> 閃避影格 7 至 104
  旁白 4s-7.5s    -> 閃避影格 112 至 233
  旁白 8.2s-11s   -> 閃避影格 238 至 338

解讀：旁白維持在全音量（混音中最大聲的元素），音樂在間隙中以 0.8 的音量播放，而每當有人說話時，音樂會在 8 個影格內閃避到大約 0.24——大約是三分之一——這樣音量下降就不會是突兀的跳躍。這些影格範圍正是 remotion-compose 提供給音樂 <Audio> volume 回呼的區間：在範圍之外是全音量，在範圍內是 duckedLevel，並在淡變邊際內線性漸變。這就是為什麼台詞能保持清晰，而音樂又不會消失。

範本：音訊提示表

複製此表格，用你的節拍網格和混音音量輸出填入 FILL 欄位，然後將填妥的表格交給 remotion-compose。它是影片中每個音訊決策的唯一真相來源。

音訊提示表。 [FILL: 影片名稱]。影格率 [FILL] / [FILL] BPM / [FILL]s 總長

音樂
  歌曲:                 [FILL: 標題 + 來源]
  授權:               [FILL: 例如 Epidemic Sound 商業授權 / CC0] - 歸屬: [FILL: 是/否, 文字]
  音量 (無說話聲):     [FILL: 0-1]    旁白下閃避後: [FILL: 0-1] (~30%)

節拍網格 (來自 beat_grid.js) - 剪輯點落在這裡
  重拍影格:       [FILL: 0, 60, 120, ...]
  硬剪輯在:          [FILL: 哪些重拍承載了大的剪輯]

音效 (每個轉場一個；高峰在動作高峰的那個影格上)
  影格            音效            角色
  [FILL]   [FILL whoosh]  領先於滑動 (提前約 4 影格開始，尾音落在剪輯點)
  [FILL]   [FILL impact]  卡片撞入，落在剪輯的那個影格上
  [FILL]   [FILL riser]   在 10-20 影格內逐漸增強，在揭露時達到頂點
  [FILL]   [FILL pop]     UI 元素出現

旁白 (約 150 wpm；場景配合旁白，而非反過來)
  台詞                                   開始    結束    場景
  [FILL line]                            [FILL]  [FILL] [FILL]
  (在關鍵台詞前 / CTA 後留下 8-15 影格的沉默)

閃避包絡線 (來自 mix_levels.js) - 降低音樂的影格範圍
  [FILL: 7-104, 112-233, ...]  淡變 [FILL]f 影格 淡入/淡出

交接：remotion-compose 編排 <Audio> + volume 回呼；remotion-render 輸出。

references/royalty-free-sourcing

商業影片需要使用你確實有權使用的音樂——「我在 YouTube 上找到的」不是授權，客戶的 Spotify 也不是。按使用場景分類的授權/免版稅來源：

訂閱制音樂庫（對客戶/商業/廣告最安全）： Epidemic Sound, Artlist, Musicbed, Soundstripe。固定費用，廣泛的商業授權，大型音效庫，無需每部影片署名。付費工作的預設選擇。
有條件的免費（請檢查每個音軌的條款）： YouTube Audio Library, Free Music Archive, Freesound.org, Incompetech, ccMixter。通常需要署名，並非所有音軌都允許商業使用——您必須驗證每個音軌的 Creative Commons 條款。請記錄您使用的音軌的署名文字。
AI 生成音樂（新興且變化快速）： Mubert, Soundraw, Boomy。請檢查它們的服務條款——有些會將版權延伸至生成的內容，有些則不會。
絕對不要使用： YouTube 下載工具、SoundCloud 翻錄、沒有授權資訊的「免費免版稅」網站、客戶的 Spotify 播放清單。這些來源中的每一個都可能讓您的客戶面臨 DMCA 下架通知或訴訟。

隨意使用此清單中的任何來源；引用您使用的內容。如果客戶要求特定的歌曲，而該歌曲沒有得到他們的音樂授權的許可，請指出風險並建議替代方案。

音效與音樂同步