VYBE 音訊設計
音訊是感知品質的一半。一張平庸的畫面配上優質音效會顯得昂貴；而一張出色的畫面在寂靜中則顯得未完成。
生成、檢索與連接等生產工作由 vybe audio 執行 — 請參閱 vybe/references/audio-pipeline.md。此技能提供的是方向：該要求什麼以及如何放置。載入 references/sound-design.md 可取得音效點位表。
依此順序決定
- 是否需要旁白？ 當主題需要圖片無法傳達的解釋（解說片、紀錄片、教學）或用戶要求時為「是」。在短促提示、動態字卡、氣氛片、多數 20 秒以下的廣告中則為「否」。預設：關閉。
- 音樂弧線。 將音樂對應故事：開場（稀疏）→ 鋪陳（層層加入）→ 高峰（在揭露/高潮處）→ 收尾（在行動呼籲/標題處）。根據剪輯選擇速度：平靜 70–95 BPM、自信 100–115 BPM、活力 118–128 BPM。
- 音效點位。 標記每個值得強調的視覺事件。然後刪除一半。為音樂留出空間。
- 混音。 人聲在最上層，音樂在下方，音效在兩者之間 — 且音樂需在人聲下做減弱。
語音
| 供應商 | 使用時機 | 備註 |
|---|---|---|
| HeyGen (Starfish) | 最佳品質 + 原生日誌時間戳 | 需要 heygen OAuth 登入或 HEYGEN_API_KEY；可透過 heygen auth login --oauth 取得免費額度 |
| ElevenLabs | 大型語音目錄、品牌語音 | ELEVENLABS_API_KEY；透過轉寫取得單詞時間 |
| Gemini TTS | 使用風格提示引導語調 | 僅限明確選擇；GEMINI_API_KEY |
| Kokoro-82M | 免費、離線、私有、確定性 | npx hyperframes tts；語音 am_michael、bm_george、am_adam、af_sky、af_heart、bf_emma、af_nova；--speed 0.9–1.15 |
為語音而寫作：短句，一個想法一句，約 150 wpm（2.5 字/秒），數字以口語寫出（如「二十九小時」），不要逐字朗讀螢幕上的文字。每行前留 0.3 秒空隙，結尾至少留 0.5 秒。
依情緒選曲
| 情緒 | 特色 | 適合場景 |
|---|---|---|
| 電影管弦 | 漸強、低音弦樂、上升音、重擊音 | 預告片、太空、史詩揭露 |
| 環境科技 | 襯墊、柔和脈衝、玻璃質感 | 科學、AI、解說片 |
| 未來電子 | 合成貝斯、琶音、110–125 BPM | 科幻、產品發布、科技 |
| 企業鼓舞 | 鋼琴 + 輕鼓、大調 | 商業、SaaS、入門指南 |
| 極簡 | 稀疏鋼琴/脈衝、大量留白 | Apple 風格、奢華感 |
| 活力 | 強勁鼓點、120–128 BPM | 社群媒體、運動、熱血 |
| 情感 | 慢板小調 → 大調提升 | 紀錄片、故事、公益 |
檢索查詢用語：情緒 + 樂器編制 + 能量 + 速度，例如「暗黑環境管弦、慢速鋪陳、無人聲、70 BPM」。絕不使用受版權保護的商業曲目；VYBE 的程序背景音是保證可離線使用的備案。
混音目標
| 層級 | 音量 |
|---|---|
| 人聲 | −16 LUFS 每句（正規化），最大聲的層級 |
| 人聲下的音樂 | ≈ −28 至 −31 LUFS 有效（減弱至約背景的 0.28） |
| 單獨音樂 | ≈ −18 LUFS 背景，音量 0.8 |
| 音效 | 0.3–0.5 音量；撞擊音可在一幀內峰值較高 |
| 最終交付 | −14 LUFS 整合，≤ −1 dBTP（由 vybe finalize 執行） |
同步規則
- 音效落在視覺事件發生的那一幀（著陸音效在著陸瞬間，而非起跳；呼嘯聲在動作達到高峰前約 0.1 秒開始；上升音精確在撞擊點結束）。
- 按節拍剪輯：
npx hyperframes beats→ 將場景邊界對齊節拍網格。 - 字幕來自轉寫或 HeyGen 時間戳 — 絕不平均分佈。
- 使用
npx hyperframes audio --dir composition --at <t>驗證。