声音设计知识（叙事规划 + 后期参考）

先读这一条：这套知识不写进视频提示词

视频生成模型的提示词不含音频——环境音、音效、配乐、台词都不在画面模型的能力范围里，写进去要么被忽略、要么污染画面。所以这个技能的产出绝不写进 shot 的 prompt。

它服务两个阶段：

• 叙事规划阶段：给角色建声音标签、给场景设声音签名、规划听觉记号，作为一层薄薄的「听觉设计意图」跟着分镜走。它是规划时的参考，不是要塞进任何生成字段。
• Nomi 时间轴后期阶段：等画面生成好、进了 Nomi 时间轴，用于音频轨的后期配音 / 音效 / 配乐规划——按这套方法给每段画面配底层环境声、中层间歇声、前层动作音效，选配 BGM 情绪曲线。

核心理念：观众闭上眼睛也应该能「听出」这是哪个场景、谁在说话、现在是什么情绪。 声音不是画面的附属品，是独立的叙事层。

角色声音标签

给每个主要角色一套声音标签，作为规划参考、后期配音时照它统一。四个维度：

1. 说话节奏 — 语速（快/中/慢/极慢）；停顿习惯（频繁停顿/流利不停/关键词前停顿）；句长（短句 ≤5 字 / 中句 / 一口气长句）。
2. 声线特征 — 音高（低沉/中等/偏高）；质感（沙哑/清亮/鼻音重/气声）；力度（轻声/正常/有力/压着嗓子）。
3. 情绪表达方式 — 外放型（生气会吼、开心笑出声）/ 内收型（生气压低音量、开心只语调微升）/ 极端内收（任何情绪几乎不改变声线）。
4. 标志性声音习惯 — 说话前清嗓、句尾叹气、思考时「嗯」的鼻音等。小习惯给角色「声音辨识度」。

记录格式示例（全片保持一致）：

角色	语速	句长	声线	情绪表达	标志习惯
角色A	中偏快	短句	平板单调	极端内收	说完话后沉默·语气几乎无起伏
角色B	慢	≤5 字	低沉厚重	内收	句尾带鼻音哼声

环境音层次设计

每个场景的声音由三层构成，从远到近：

底层（Ambience / Room Tone） — 持续不变的背景声，定义「这是什么空间」，同一场景全程一致。例：

• 走廊：引擎/管线低频嗡鸣 + 远处液冷循环声
• 舰桥/机房：多终端低频电子嗡声 + 空调系统低鸣
• 静室/卧室：远处设备极弱低鸣 + 空气循环微弱气流声
• 户外空旷 / 深空：接近或完全寂静——寂静本身就是空间的声音签名

中层（Specific Sounds） — 间歇出现，增加真实感：广播通知、远处脚步、门的开合、杯子落桌、设备蜂鸣。

前层（Foreground / Action Sounds） — 角色动作产生、与画面动作精确同步：脚步声（不同材质地面声音不同）、呼吸声（平静/急促/屏气）、操作声（按钮/触屏/翻页/拉杆）。

场景声音签名

给每个场景定义一个声音签名——一听就知道「到了这里」。在角色第一次进入该场景时建立，后续每次回到都保持一致：

场景	底层	特征音	情绪感受
舰桥/机房	引擎低鸣 + 终端嗡声	键盘敲击、投影嗞嗞声	冷静有序的技术空间
医护/维生区	循环泵脉冲 + 密封吱呀	偶尔气泡上升、辅助设备嘶嘶	令人不安的安静·机械维生感
主角独处的房间	远处低鸣	空气循环微弱气流	独处的安全感·极简

听觉记号（Sound Motif / Leitmotif）

一个反复出现的声音元素，每次出现承载不同含义——和视觉母题（反复出现的物件）是同一逻辑。

设计原则：

• 一部作品 2-3 个听觉记号就够，太多失去辨识度。
• 首次出现要足够清晰，让观众「记住」这个声音。
• 后续出现可变形（速度变化、混响变化、叠加其他声音）。
• 最后一次出现应有「回收」感——回到最初形态，或彻底变形。

示例：

• 某段引擎启动声：第一次 = 任务开始；中段 = 逃离；结尾 = 归途。
• 某段循环水声：初到 = 陌生不适；适应期 = 平静背景；危机期 = 戛然而止。

硬规则：听觉记号限定在声效层（环境声/机械声/自然声/角色签名声），不包括音乐旋律——旋律属于后期配乐工序。

配乐（BGM）情绪

BGM 是后期独立工序，不在任何视频生成环节。规划时只需给出情绪曲线（哪段紧张、哪段舒缓、哪段留白），到 Nomi 时间轴后期按曲线选配或整段留白：

情绪段落	配乐倾向	常见手法
开场/铺垫	克制、留白	少量氛围垫底，或纯环境声无 BGM
推进/悬疑	低频脉动、渐强	持续低音 + 逐渐加密的节奏
高潮/爆发	满配、强节奏	打击乐/弦乐齐上，与硬同步音效叠
收尾/落点	回收主题、渐弱	呼应开场动机，留一段安静收束

声画同步

• 硬同步（Hard Sync） — 声音与动作精确对齐（拳到的瞬间听到撞击）。用于动作、打击、爆炸、门的开合、物体碰撞。
• 软同步（Soft Sync） — 情绪上匹配、不精确到帧。用于环境音随场景渐变、音乐跟随情绪起伏。
• 反向同步（Counter Sync） — 声音与画面情绪相反（画面暴力但声音安静，或画面安静但声音紧张）。制造不安、讽刺、超现实感——极强的叙事工具，慎用。

沉默的使用：突然的寂静比任何声音都更有力量。用在震惊、顿悟、死亡、时间凝固。原则：寂静之前必须有声音（有对比才有效果），持续一般不超过 2-3 秒。

后期配音描述（给 Nomi 时间轴音频轨用，不写进生成提示词）

进了 Nomi 时间轴后，按三层给每段画面写配音说明：

底层：[场景声音签名的底层描述]
环境：[中层间歇声音]
动作音效：[前层动作声音，与画面动作对应]

示例：

底层：走廊的引擎持续低频嗡鸣，管线液冷循环声若隐若现。
环境：远处偶尔传来门开合的沉闷声，走廊尽头有人说话的模糊回响。
动作音效：角色A靴子踩金属地板的均匀脚步声——每步间隔约一秒。

一句话收束

• 声音标签 / 场景签名 / 听觉记号都是规划参考 + 后期指导，全片保持一致，不进视频提示词。
• 场景签名在首次出现该场景时建立；听觉记号与视觉母题并列规划。
• BGM 是后期独立工序，规划只给情绪曲线，落地在 Nomi 时间轴的音频轨。
• AI 视频生成对声音控制力有限——精确的声音设计更多是给 Nomi 后期的指导。