6.2 音效与混音

6.2 音效与混音

本节摘要：一条合格的成片音轨至少由三层叠成：台词层负责信息，音效层负责质感，音乐层负责情绪。本节先建立三轨模型，再讲音效选配的克制原则——四类音效各司其职，宁少勿多；然后用 ffmpeg 滤镜链实现"台词加时间点音效"的程序化混音，讲透 BGM 自动闪避的 sidechaincompress 思路：把人声当侧链信号去压音乐，台词一来音乐自动退后半步；最后做响度归一化，用 loudnorm 两遍法把整片响度压进平台口径的目标带。所有命令为写法示意，参数以 ffmpeg 官方文档与各平台现行规范为准。

学习目标

• 说出台词、音效、BGM 三轨各自的职责与混音优先级。
• 按四类音效选配原则为分镜表标注音效点，且不越界。
• 用 filter_complex 把带时间点的音效混进台词轨。
• 解释 sidechaincompress 的信号流并实现 BGM 自动闪避。
• 用两遍法完成响度归一化并核对目标带。

一、三轨模型：混音前先想清楚谁让谁

把成片音频拆开，无非三根轨。它们的地位不平等：台词是信息轨，任何时刻优先保障可懂度；音效是质感轨，服务真实感与节奏感；BGM 是情绪轨，铺底时可以一直在，但永远不能压过台词。

电平示意（从上到下优先级递减）

 台词轨  ──    ▂▄▆█▆▄    ▂▄▆█▆▄    ▂▄▆█▆▄    ──   时时刻刻最响
 音效轨  ──        ▄█▄                  ▄█▄     ──  只在事件点出现
 BGM 轨  ── ▄▄▄▄▄▄▄▂▂▂▂▄▄▄▄▄▄▄▂▂▂▂▄▄▄▄▄ ──  台词出现时被压低
              镜头01   镜头02    镜头03
                      （▂ 为被闪避压低后的 BGM）
​

混音时按"先台词、后音效、再 BGM"的顺序叠加，冲突时永远砍下层保上层。

二、音效选配：克制是第一原则

音效分四类，各有明确职责：

选配的克制原则：每镜头音效不超过两类；环境底一镜一个，不叠多个环境；转场音能不用就不用——观众对"嗖"的容忍度远低于制作者的想象。选配结果落在分镜表上，形成一张音效计划：

# sfx_plan.json —— 音效计划：哪个文件、在第几秒、多大增益（写法示意）
[
  {"file": "assets/sfx/rain_loop.wav",   "at": 0.0,  "gain": 0.5},
  {"file": "assets/sfx/door_knock.wav",  "at": 6.2,  "gain": 0.9},
  {"file": "assets/sfx/phone_buzz.wav",  "at": 14.8, "gain": 0.7}
]
​

来源与授权在这一步就要把关：素材站按许可筛选（可商用、是否署名），自录是最安全的来源，许可不明的音频一律不进 assets 目录。这一纪律与第 8.2 节素材采集、第 11.1 节合规交付一脉相承。

三、程序化混音：把音效按时间点叠进台词

手工拖音轨无法批量复用，把混音写成 ffmpeg 滤镜链才是流水线的做法。核心思路：每个音效用 adelay 移到计划时间点、用 volume 定增益，再与台词轨一起送进 amix。

# mix_audio.py —— 台词加带时间点的音效，程序化混音（ffmpeg 写法示意）
import json, subprocess

def mix(voice="audio/voice_full.wav", sfx_plan="build/sfx_plan.json",
        out="audio/mixed.wav"):
    plan = json.load(open(sfx_plan, encoding="utf-8"))
    inputs, filters, labels = ["-i", voice], [], []
    for i, s in enumerate(plan):
        inputs += ["-i", s["file"]]
        delay_ms = int(s["at"] * 1000)
        filters.append(f"[{i + 1}:a]adelay={delay_ms}|{delay_ms},"
                       f"volume={s.get('gain', 1.0)}[s{i}]")
        labels.append(f"[s{i}]")
    mix_inputs = "[0:a]" + "".join(labels)
    graph = ";".join(filters) + ";" + mix_inputs \
        + f"amix=inputs={1 + len(plan)}:normalize=0[out]"
    subprocess.run(["ffmpeg", "-y", *inputs, "-filter_complex", graph,
                    "-map", "[out]", "-ar", "48000", out], check=True)
    print(f"混音完成：{1 + len(plan)} 路输入 → {out}")

if __name__ == "__main__":
    mix()
​

两个细节：adelay 的两个数值对应左右声道，单声道也要写两份；amix 的 normalize 关掉，让各轨增益由 volume 显式控制，避免混音器自作主张拉低总电平。

四、BGM 自动闪避：sidechaincompress 思路

手动给 BGM 画音量包络既费时又难以复用。成熟做法是侧链压缩：压缩器通常拿自己的输入信号控制增益，sidechaincompress 允许"用另一路信号控制这一路的增益"——用台词当控制信号去压 BGM，台词一出现，BGM 自动变小；台词结束按释放时间缓缓恢复。

信号流（duck 即"闪避"）

 台词 voice.wav ──────────────┬──────────────▶ amix ─▶ 成片音轨
                              │（作为侧链控制信号）
 BGM bgm.wav ─▶ volume ─▶ sidechaincompress ─▶ ducked ─┘
                              压缩量由台词电平决定
​

# duck_bgm.sh —— 人声侧链压低 BGM（写法示意，参数听感为准）
ffmpeg -y -i audio/voice_full.wav -i audio/bgm.wav -filter_complex \
  "[1:a]volume=0.7[m];[m][0:a]sidechaincompress=threshold=0.03:ratio=12:attack=25:release=400[duck];[0:a][duck]amix=inputs=2:normalize=0[aout]" \
  -map "[aout]" -ar 48000 audio/ducked_mix.wav
​

参数听感含义：threshold 是触发压缩的台词电平门限；ratio 决定压多狠（数值越大压得越深）；attack 是台词出现后压下去的速度（几十毫秒内较自然）；release 是台词结束后音乐恢复的速度（几百毫秒不突兀）。闪避不是一刀切静音，"退后半步"比"消失"更专业。

五、响度归一化：两遍法与目标带

混好的音轨响度是随缘的，平台会整体拉高或压低，导致听感变形。正确做法是把整片综合响度归一到目标值。常见的短视频平台口径在负十四 LUFS 上下（口径值，以各平台现行规范为准），真峰值留约负一 dB 余量。loudnorm 滤镜推荐两遍法：第一遍只测量不修改，拿到整片的响度统计；第二遍把测量值作为参数回填，做线性归一。

# normalize_loudness.py —— loudnorm 两遍法响度归一化（目标值以平台规范为准）
import json, re, subprocess

TARGET = "I=-14:TP=-1.5:LRA=11"

def measure(path):
    cmd = ["ffmpeg", "-i", path, "-af", f"loudnorm={TARGET}:print_format=json",
           "-f", "null", "-"]
    proc = subprocess.run(cmd, capture_output=True, text=True)
    m = re.search(r'\{[^{}]*"input_i"[^{}]*\}', proc.stderr, re.S)
    return json.loads(m.group(0)) if m else {}

def apply_norm(src, dst, stat):
    af = (f"loudnorm={TARGET}:"
          f"measured_I={stat['input_i']}:measured_TP={stat['input_tp']}:"
          f"measured_LRA={stat['input_lra']}:measured_thresh={stat['input_thresh']}:"
          f"linear=true:print_format=summary")
    subprocess.run(["ffmpeg", "-y", "-i", src, "-af", af,
                    "-ar", "48000", dst], check=True)

if __name__ == "__main__":
    stat = measure("audio/ducked_mix.wav")
    print("测量值:", {k: stat.get(k) for k in ("input_i", "input_tp", "input_lra")})
    apply_norm("audio/ducked_mix.wav", "audio/final_audio.wav", stat)
    print("已归一化 → audio/final_audio.wav")
​

为什么必须两遍：单遍模式下 loudnorm 处于动态压缩状态，会实时改变听感；带测量值的线性模式只做整体增益，不引入压缩染色。

六、混音验收

交棒给合成之前，最后核对四件事：响度落在目标带内（重跑 measure 核对）；真峰值不超限（削波一旦混进母轨无法事后修复）；闪避回落正常（台词结束后 BGM 是否按 release 平滑回来）；单声道兼容（手机外放是单声道，混音后用单声道再听一遍，确认没有相位抵消导致的乐器消失）。

本节要点回顾

• 三轨模型：台词是信息轨、音效是质感轨、BGM 是情绪轨，冲突时砍下层保上层。
• 音效四类各有职责，每镜头不超过两类，许可不明的音频不进资产库。
• 混音写成 ffmpeg 滤镜链：adelay 定时间点、volume 定增益、amix 关自动归一。
• 闪避用 sidechaincompress：台词做侧链控制信号，attack 快压、release 慢放。
• 响度归一化用两遍法，线性模式不染色，目标带以各平台现行规范为准。

音轨就绪，接下来要让它与画面咬合。下一节讲"先配音后剪辑"的落地方案：用台词时长反推每个镜头的画面时长，并用三层校验确认音画真的对上了。