ddcat-ai/open-ai-canvas/09

音效（模块 09）

主链定位：背景音 / 对白 / 配乐 / 对白与口型（独立一级模块）。

做什么

把声音当作与画面平等的一等元素来导演，产出可进入提示词的并行音轨，而不是给画面配一个背景垫。

四条纪律贯穿本模块：

1. 音频是并行轨道，不是画面附庸——对白、音效、环境音、BGM 四层分开描述，各自点名内容、时机与空间感；混成一团"有氛围的音乐"会让模型随机分配。
2. 音乐不铺满——场景音乐过满、无源音乐起止随意会让观众疲劳，并削弱画面自身的判断力；留出安静的时刻让环境声与画面自己说话。
3. 只在情绪手段做不到的地方才引入音乐——用音乐去修补、粉饰失败素材是最庸俗也最无效的做法；理想状态是"一两个非常鲜明的音符"。
4. 信赖现实本身的音响——自然音响（風声、浪涛、发报机、树叶声）优先于专门谱写的配乐；声音不必与画面形象对应，只需与心理效果对应。

基础引擎

本模块的底层方法论源：engine/E09-音效.md（本模块目录内，20 条，来自 book02/book04）。 执行本模块前先查阅该引擎，取其判断依据、创作准则与反模式清单；引擎为只读源层，本模块负责执行流程。

其中几条对本模块最关键：主题音乐重复出现 + 分段变奏（同曲在不同叙事阶段改节奏、唱词与嗓音质地）、组织音响空间而不是谱写音乐（作曲家的任务是构造整片的音响总谱）、用真实声音的变形构造另一个世界（铁轨撞击声→合成器分解→回声）、沉默是结构性的（主动让人物失语，语言缺席本身承担意义）、剪接点配合重音（台词不停顿时转换镜头，剪接点落在重音词上）。

数据层（audio/）

执行流程

1. 定声音层档位与分工 —— 先声明输出档位：

• 全量档（默认）：⑧对白 + ⑨背景音 + ⑩BGM 三轨齐全，打开即成品；
• 去配乐档：拿掉 ⑩BGM、保留 ⑧⑨，为后期配乐留出音区——⑩ 写 `NO BGM`（规格级），不是省略（Seedance 2.0 自带音效/配乐，不声明 ≠ 不生成）；该档不得残留任何音乐类 token（除 NO BGM 本身）。

再决定这个镜头需要几层，不存在的层显式写"无"（无对白 / 无 BGM），而不是省略。

1. 选写法 → audio/01 / audio/03

短提示词走内联法；复杂音频（多层 + 时机）走专门块法（视觉内容在前，Audio: 块在后分轨罗列）。

1. 写对白 → audio/01

对白要短——每个角色每镜头 1–2 句；指明情绪语气（"急切地说""低语""隔着房间喊"）；非英语指明语言与方言（She speaks in Cantonese: "走啦"）。按语言核词预算（15 秒英语约 16–20 词；超预算就把次要台词转成身体行为——保留主导权翻转的那句）。

1. 写环境音与 SFX → audio/02

环境声元素 2–3 个封顶；描述空间的声学而不只是元素清单；需要冲击时用"声音—寂静"的落差。音效记法 事件@秒。

1. 写 BGM → audio/03

描述配器 + 速度 + 情绪，不给流派标签；点名音乐进出时机；明确压制音乐时写 `NO BGM`（规格级），不要只写 no music（偏好级）。卡点类内容写"剪切卡在强拍上""运动在 drop 处达到峰值"。

1. 过口型同步 → audio/04

对白片段保持 3–8 秒（准确率最佳区间）、用中近景或更近取景、每镜只有一张说话的脸、机位锁 locked-off static camera 或 slow Dolly In；头部/面部运动 token 与对白不能同镜。多于一个角色要说话时走变通办法，不在一条提示里硬塞。

1. 防覆盖 —— 上传音频被生成式音频引擎覆盖时，加时间戳锚定（"音频 @Audio1 从 0 秒到结尾严格按上传内容播放"）并删掉所有环境音/音效/音乐 token。
2. 交下游 —— 音频纪律的最终校验（口型不同步、BGM 压过对白、填充嘟囔）归 13 交付文件审核（review/13-失败诊断.md §三音频两症、§4.7 填充嘟囔）；L 切/J 切用声音桥磁化接缝归 10（editing/05-剪辑与连续性词汇.md）。

与其他模块的关系

• 上游 05 人物表演 —— 台词的情绪语气、说话的节拍与身体行为由 05 定；本模块只负责把它落成音频轨道与口型策略。一张脸的静息嘴部事实（"双唇静息""下颌闭合，呼吸抬起胸口"）是跨 05/09/13 的共同要求。
• 下游 13 —— 音频两症（口型不同步、BGM 压过上传对白）与填充嘟囔的排查与修复在 13 review/13-失败诊断.md；负面约束成表归 13 的负面约束总库（时序部分，待补）。
• 交叉 10 —— L 切/J 切与声音桥归 10 editing/05。
• 交叉 12 —— 音频描述进入最终提示词前经 12 净化；prompt/12-提示词结构.md §10 明确"音频作为一等元素"。

硬规则速记

• 声音层输出档位默认「全量」（⑧对白 + ⑨背景音 + ⑩BGM）；可切「去配乐」档给后期配乐让路——此时 ⑩ 写 NO BGM，不是省略。
• 四层分开写（对白 / 音效 / 环境音 / BGM），不存在的层显式写"无"。
• 环境声元素 2–3 个封顶——再多就浑浊。
• BGM 描述配器 · 速度 · 情绪，不给流派标签。
• `NO BGM` 是规格，`no music` 只是偏好。
• 对白片段 3–8 秒、中近景以上、一镜一张说话的脸、机位锁定或慢推。
• 头部/面部运动 token 不与对白同镜。
• 上传音频被覆盖时：时间戳锚定 + 删除所有环境音/音效/音乐 token。
• 音乐不铺满——留出安静让环境声与画面自己说话；只在情绪手段做不到处引入音乐。
• 剪接点配合重音——台词不停顿时转换镜头，剪接点落在重音词上。