xsl/blind

Files

T

2026-05-18 18:39:49 +08:00

36 KiB

Raw Blame History

AI 音频生产 SOP · v1.0

适用项目：《林夏》（林夏.md），同时可复用于本系列其他黑屏耳机项目。 使用对象：项目主控 1 人 + 音频执行 1–2 人，无需专业录音棚。 预期产出：约 25 分钟净时长的角色语音 + 4 段 BGM + 60+ 短音效 + 8 段环境底噪。 预期工时：4 周（含 1 周返工窗口）。 预期音频成本：¥800–1200。

0. 文档使用方法

第 1–3 章是总规约：所有人开工前必读。
第 4 章是项目专用配置：每开新项目要复制一份重新填写。
第 5–8 章是四类资产的生产 SOP：执行人按章节对照操作即可。
第 9–10 章是后期与验收：产出每一批资产后强制走一遍。
第 11 章是版权归档：每个文件都要登记。
附录是复用资源：Prompt 模板库 / 命名词典 / 验收清单 PDF 版。

1. Pipeline 总览

┌──────────────────┐   ┌──────────────────┐   ┌──────────────────┐
│  T0  脚本定稿     │ → │  T1  音频拆条    │ → │  T2  生产排期     │
│  (编剧)          │   │  (音频主控)       │   │  (音频主控)       │
└──────────────────┘   └──────────────────┘   └──────────────────┘
                                                       ↓
       ┌───────────────────────────┬───────────────────┬────────────────┐
       ↓                           ↓                   ↓                ↓
┌─────────────┐           ┌─────────────┐    ┌─────────────┐   ┌─────────────┐
│ T3a TTS生产  │           │ T3b 音乐生产 │    │ T3c 音效生产 │   │ T3d 环境采样 │
│ MiniMax/豆包 │           │   Suno V4    │    │ ElevenLabs  │   │  Freesound  │
└─────────────┘           └─────────────┘    └─────────────┘   └─────────────┘
       ↓                           ↓                   ↓                ↓
       └───────────────────────────┴───────────────────┴────────────────┘
                                       ↓
                          ┌─────────────────────────┐
                          │ T4  后期统一处理        │
                          │ (响度/降噪/淡入淡出)    │
                          └─────────────────────────┘
                                       ↓
                          ┌─────────────────────────┐
                          │ T5  QA 验收             │
                          │ (3 副耳机盲听)          │
                          └─────────────────────────┘
                                       ↓
                          ┌─────────────────────────┐
                          │ T6  入库 + 交付         │
                          │ (Git LFS + 版权登记)    │
                          └─────────────────────────┘

2. 工具栈与账号清单

2.1 必备工具表

用途	工具	版本/方案	月费	国内访问	备注
中文 TTS 主力	MiniMax Speech 02 (HD)	API	按字数 ¥200–500	✅ 直连	中文情绪戏首选
中文 TTS 备用	字节豆包 Voice	API	¥100–300	✅ 直连	系统女声 + 男声补位
TTS 兜底	阿里通义听悟 / 腾讯云 TTS	API	¥100–200	✅ 直连	备选
海外 TTS	ElevenLabs v3	Creator $22/月	≈¥160	⚠️ 需出海	仅在 MiniMax 表现不够时备用
AI 音乐	Suno V4 / V4.5	Pro $10/月	≈¥75	⚠️ 需出海	国内备选：天工 SkyMusic
AI 音效	ElevenLabs Sound Effects	含在上面套餐内	—	⚠️ 需出海	国内备选：阿里通义万相音效
环境采样	Freesound	免费（CC0/CC-BY）	0	✅ 直连	注意标注作者
环境采样补充	Epidemic Sound	$15/月个人版	≈¥110	✅ 直连	有 SFX/BGM 双库
音频后期	iZotope RX 11 + REAPER	一次性	≈¥2000	✅ 直连	团队共享一份
响度计	Youlean Loudness Meter 2	Free 版即可	0	✅ 直连	LUFS 监控必备
格式转换	FFmpeg	Free	0	✅ 直连	命令行批处理
资源管理	Git LFS + Notion	—	0	✅ 直连	资产 + 版权登记表

2.2 账号准备清单（开工 D-7 完成）

MiniMax 开发者账号 + 充值 ¥500 起
字节豆包账号 + 充值 ¥300 起
ElevenLabs Creator 订阅（含 Sound Effects 100k credits/月）
Suno Pro 订阅（500 首/月，足够）
Freesound 注册账号（用于下载追踪）
Epidemic Sound 个人订阅
Git LFS 启用 + S3/OSS 备份桶
Notion 中建好「音频版权登记表」模板（见 §11.2）

2.3 海外工具的合规访问方式

团队主控通过合规企业 VPN（如阿里云国际版、腾讯云海外节点）访问。
不在产品线上代码中嵌入任何海外 API key——所有 Suno / ElevenLabs 资源全部线下生产、本地存储、入库后离线打包随 App 发布。
App 运行时不调用任何海外服务。

3. 文件命名与目录规范

3.1 顶层目录结构

audio/
├── 00_raw/                    # 原始生成物，不进版本库
│   ├── tts/
│   ├── music/
│   ├── sfx/
│   └── ambience/
├── 01_processed/              # 后期处理后，进 Git LFS
│   ├── tts/
│   ├── music/
│   ├── sfx/
│   └── ambience/
├── 02_final/                  # 打包入 App 的最终版
│   └── (按关卡组织)
├── 03_qa_reports/             # 每批 QA 报告
└── 99_legal/                  # 版权登记表 + 授权证明

3.2 文件命名规范

格式：{关卡号}_{时间码}_{角色}_{形态}_{序号}_{版本}.{ext}

字段	取值	说明
关卡号	`lv11` 等	项目代号
时间码	`2103`、`2245`	剧内时间，HHMM
角色	`mom` `azhe` `xiaomei` `zhounan` `hr` `anan` `system` `delivery` `unknown` `dorm-a` `dorm-b` `dorm-c` `self-3y`	见 §4.1 角色代号表
形态	`call` `voice` `text` `sys`	通话/微信语音/文字 TTS/系统提示
序号	`01`、`02`…	同角色同时间码下的多条消息
版本	`v1`、`v2`、`final`	迭代版本

示例：

lv11_2103_mom_call_01_final.wav — 妈妈 21:03 第一通电话最终版
lv11_2245_xiaomei_voice_01_v2.wav — 小美 22:45 醉语音第二稿

禁止：

中文文件名（避免编码与 Git 兼容问题）
空格、(、)、# 等特殊字符
大写字母（统一小写）

3.3 音频技术规格统一

字段	规格	说明
采样率	48 kHz	全程统一，避免重采样杂音
位深	24-bit（生产）/ 16-bit（最终）	后期保留 24-bit 头，导出降到 16-bit
声道	单声道（角色语音）/ 立体声（音乐与环境）	严格区分
格式	`.wav`（生产中）/ `.ogg` Vorbis q=5（入包）	入包再压缩，节省体积
响度	-16 LUFS（角色语音）/ -18 LUFS（音乐）/ -22 LUFS（环境）	详见 §9.1
峰值上限	-1 dBTP	避免溢出

4. 角色 Voice 配置表（项目专用）

本章是项目工程师的"配音演员花名册"。每个角色的 voice id、参数、prompt 前缀全部在这里固定下来，避免不同执行人产出风格漂移。

4.1 角色代号表

角色	代号	净时长估算	主语种	形态
妈妈	`mom`	~7 min	中文	电话×2 + 微信文字×1 + 语音×1（4'17"长戏）
阿哲（前任）	`azhe`	~2 min	中文	微信语音×1 + 电话×1
小美（闺蜜）	`xiaomei`	~3 min	中文	微信语音×3（含 1'20"醉戏）
HR 王姐	`hr`	~1 min	中文	微信语音×1
室友安安	`anan`	~30 s	中文	微信语音×1
寝室群 A/B/C	`dorm-a` `dorm-b` `dorm-c`	~2 min 共	中文	群语音×5
周南（同桌）	`zhounan`	~5 min	中文	微信语音×5（含 4 段长讲述）
外卖小哥	`delivery`	~10 s	中文（北方腔）	电话×1
系统 TTS	`system`	~2 min	中文	全局提示
未知号码	`unknown`	无台词	—	仅环境呼吸声
3 年前的自己	`self-3y`	~50s × 3 版	中文	备忘录录音（明朗/迷茫/温柔三版预录）
林夏的笑（隐藏）	`self-laugh`	~3s	—	仅结局 E 播放，全片唯一林夏自己的声音

4.2 角色 Voice 配置卡

每张卡固定一个角色的所有参数。生产时严格按卡操作。

卡 01 · `mom`（妈妈）

项	值
主用 TTS	MiniMax Speech 02 HD
Voice ID	`Chinese_Mandarin_Warm_Auntie_v3`（占位，待实际选定后回填）
Speed	0.92（略慢）
Volume	1.0
Pitch	0
Emotion	`gentle`
备用方案	第 16 条 4 分钟长戏改用克隆方案：找一位 50 岁左右真人录 30 秒原声，MiniMax Voice Clone，emotion 提到 `tender`
Prompt 前缀	`<语气：温柔克制，不哭不闹，西北口音淡化，语速比常人慢半拍>`
SSML 控制	长句中段加 `<break time="500ms"/>`，结尾"晚安"前加 `<break time="1.2s"/>`
后期处理	加 -3 dB 高频衰减（让"妈妈感"更柔），轻 reverb wet 8% 模拟客厅

卡 02 · `azhe`（阿哲 / 前任）

项	值
主用 TTS	字节豆包 Voice
Voice ID	`灿烂青年男声-v2`（北京口音淡，理性偏冷）
Speed	1.05
Volume	0.95
Pitch	-1
Emotion	`neutral`
Prompt 前缀	`<语气：礼貌但已抽离，像在跟同事说话，不带感情起伏>`
后期处理	-2 dB 中频，让声音"闷"一点，模拟"已经远了"的距离感

卡 03 · `xiaomei`（小美 / 闺蜜）

项	值
主用 TTS	MiniMax Speech 02
Voice ID	`Chinese_Mandarin_Lively_Girl_v2`
Speed	1.10（前两条快）/ 0.95（醉语音慢）
Volume	1.0
Pitch	+1
Emotion	`cheerful`（前两条）/ `melancholic + drunk`（第 9 条）
Prompt 前缀	`<语气：北漂女孩，活泼略大大咧咧，会爆粗，醉酒段口齿模糊但不夸张>`
醉戏特殊处理	在 SSML 中插入 `<break time="800ms"/>` 模拟停顿 + 末句故意拉长元音；后期再叠 5% 房间混响 + 微弱酒吧 BGM 底噪

卡 04 · `hr`（HR 王姐）

项	值
主用 TTS	字节豆包 Voice
Voice ID	`知性女声-成熟款`
Speed	1.00
Pitch	0
Emotion	`gentle + apologetic`
Prompt 前缀	`<语气：38 岁职场女性，疲惫的善意，公事公办里带一点点歉意>`

卡 05 · `anan`（室友安安）

项	值
主用 TTS	MiniMax Speech 02
Voice ID	`Chinese_Mandarin_Cute_Girl_v2`
Speed	1.15（兴奋）
Pitch	+2
Emotion	`excited`
Prompt 前缀	`<语气：23 岁，撒娇感比小美更重，背景嘈杂酒吧>`
后期处理	必须叠酒吧环境底噪（见 §8 ambience 库 `bar_loud_03.wav`），干声 -3 dB

卡 06 · `dorm-a/b/c`（大学寝室群三女生）

项	值
主用 TTS	MiniMax Speech 02，三个不同 Voice ID 必须区分明显
候选 IDs	A: `Lively_Girl_v2` / B: `Sweet_Girl_v3` / C: `Mature_Young_Lady_v2`
Speed	A: 1.10 / B: 1.00 / C: 0.95
Pitch	A: +1 / B: 0 / C: -1
Emotion	A: `cheerful` / B: `gentle` / C: `neutral`
备注	A 是升职那位；B 是和事佬；C 是 @ 林夏的那位

卡 07 · `zhounan`（周南 / 初中同桌）

项	值
主用 TTS	MiniMax Speech 02
Voice ID	`Chinese_Mandarin_Gentleman_Young_v2`
Speed	0.95
Volume	0.92（略轻，模拟拘谨）
Pitch	-1
Emotion	`gentle + nervous`
Prompt 前缀	`<语气：26 岁二三线男生，温和拘谨，明显紧张但克制，偶有自嘲>`
4 段长戏	每段独立生成，段间留 800 ms 静音；句尾上扬避免"播音感"

卡 08 · `delivery`（外卖小哥）

项	值
主用 TTS	字节豆包 Voice
Voice ID	`北方青年男声-v2`
Speed	1.20（麻利）
Emotion	`neutral`
Prompt 前缀	`<语气：30 岁，普通话+少许河南腔，工作语气，不寒暄>`
后期处理	加 -6 dB 低频衰减 + 轻底噪，模拟手机听筒

卡 09 · `system`（系统 TTS）

项	值
主用 TTS	字节豆包 Voice
Voice ID	`通用女声-柔`
Speed	1.00
Pitch	0
Emotion	`flat`（无情绪）
Prompt 前缀	`<语气：中性 AI 助手，类似 Siri 但更轻，不带任何情感>`

卡 10 · `self-3y`（3 年前的自己）

⚠️ 本作零麦克风权限——本条不再使用玩家录音方案，改为预录三版按运行时玩家行为画像（PROFILE）动态选择。

项	值
主用 TTS	MiniMax Speech 02 HD（建议与林夏未来版本预留同一克隆音色，便于 IP 续作）
Voice ID	与 `xiaomei` 同基底音色（暗示"她们曾是同类年轻女孩"），但 speed +0.05、pitch +1，模拟 3 年前更轻盈的语调
三个预录版本	①「明朗版」：3 年前刚来北京，对一切都新鲜 ②「迷茫版」：3 年前其实已经累，只是没说 ③「温柔版」：3 年前对未来的自己说"撑住"
选择逻辑	按 PROFILE 标签匹配： `engagement` → 明朗版（与今夜的投入呼应） `avoidance` → 迷茫版（与今夜的回避呼应） `nostalgia` → 温柔版（与今夜的怀旧呼应）
时长	每版 ~50 秒
后期处理	加 -2 dB 高频衰减 + 微弱"录音笔底噪"，模拟"3 年前用手机备忘录录的"质感
Prompt 前缀（明朗版）	`<语气：23 岁，刚到北京半年，兴奋里带一点紧张，相信明天比今天好>`
Prompt 前缀（迷茫版）	`<语气：23 岁，独自在出租屋里，假装坚强，最后一句声音轻下去>`
Prompt 前缀（温柔版）	`<语气：23 岁，写给未来的自己，平静、有力、像在拥抱什么>`

卡 11 · `self-laugh`（隐藏结局 E 的笑声）

项	值
主用 TTS	MiniMax Speech 02 HD（同 `self-3y` 同一克隆音色）
内容	一段 3 秒的轻笑——"噗"+ 一声短笑 + 一声轻轻的鼻息
制作方式	TTS 难以直接生成自然笑声，建议方案： ① 找声线接近的 24 岁女声真人录一次笑（5 分钟搞定，零成本） ② 用 MiniMax Voice Clone 同款音色 + emotion `playful` 生成尝试，作为备选
用途	仅在结局 E 触发时播放——全片唯一一次林夏自己的声音
后期处理	与 `self-3y` 同款"录音笔底噪"，让玩家感到"这是从 3 年前的备忘录里偶然飘出来的一段笑"

5. TTS 生产 SOP

5.1 工作流（每条语音）

[1] 拿到脚本最终稿（编剧签字）
        ↓
[2] 拆条 → 填入「拍摄场记表」（见 §5.5）
        ↓
[3] 套用对应角色 Voice 配置卡
        ↓
[4] 写 Prompt（含 SSML 标记）
        ↓
[5] 一键生成 3 条候选 → 听
        ↓
[6] 满意 → 进入 [7] / 不满意 → 调参/改 prompt 重生
        ↓
[7] 命名归档到 00_raw/tts/
        ↓
[8] 进入后期 (§9)

5.2 Prompt 模板（中文 TTS）

通用结构：

<voice_id>{角色 Voice ID}</voice_id>
<speed>{速度}</speed>
<emotion>{情绪标签}</emotion>
<prefix>{角色 prompt 前缀}</prefix>

[SSML 正文]

SSML 关键标记速查：

标记	作用	用例
`<break time="800ms"/>`	停顿	长句中喘气、"她说……（停）后来呢"
`<emphasis level="strong">字</emphasis>`	重读	关键词强调
`<prosody rate="0.8">慢句</prosody>`	局部变速	醉酒段、临终段
`<prosody pitch="-2st">低声</prosody>`	局部降调	内心戏
`<say-as interpret-as="characters">XYZ</say-as>`	字母逐字读	"AirPods" 等英文词

5.3 长戏（≥1 分钟）特殊处理

问题：TTS 一次生成超过 60 秒会出现：

末段质感衰减
情绪曲线扁平
偶发吞字

对策：

分段录制：每段 ≤ 30 秒，按句号/段落切。
段间留 200 ms 静音头尾：方便后期对接。
段间情绪渐变：在 prompt 里手动写每段的 emotion 演进，例如妈妈 4'17" 长戏分 6 段：
- 段 1: gentle, hesitant
- 段 2: gentle, nostalgic
- 段 3: gentle, sad but holding back
- 段 4: gentle, releasing
- 段 5: gentle, peaceful
- 段 6: gentle, tender, almost smiling
后期 crossfade 拼接：每段间 50 ms 交叉淡化，听觉上无缝。

5.4 候选评审"三耳法则"

每条 TTS 出 3 条候选，必须用三种设备听过：

设备	检查重点
AirPods Pro / 通用入耳式	主验收，模拟用户实际场景
头戴式监听耳机（如 ATH-M50x）	听细节杂音、底噪、齿音
手机外放	兜底，确认离线场景下可懂

通过标准：3 副耳机里每副至少满意度 7/10 才入库。任意一副 ≤ 5/10 必须重做。

5.5 「拍摄场记表」模板（每条语音 1 行）

ID	关卡	时间码	角色	形态	文字稿	时长目标	情绪	出 prompt 人	评审人	状态
001	lv11	2103	mom	call	"今晚煮了你爱吃的排骨…"	35s	gentle	A	B	✅
002	lv11	2115	xiaomei	voice	"在吗"	2s	cheerful	A	B	✅
...

该表用 Notion / 飞书表格维护，每条语音从立项到入库全周期可追。

6. 音乐生产 SOP（Suno）

6.1 工作流

[1] 编剧/导演给"音乐 brief"（场景+情绪+时长+段落结构）
        ↓
[2] 翻译成 Suno Prompt（英文，带 BPM/instrument/mood）
        ↓
[3] 一次跑 4 首候选（Suno 一次给 2 首，跑 2 轮）
        ↓
[4] 评审 → 选 1 首主稿 + 1 首备稿
        ↓
[5] 用 Suno "Extend"功能延长到目标时长
        ↓
[6] 用 Suno "Stem"功能（如开通）拆出干声/伴奏
        ↓
[7] 后期：手动剪辑、loop 点处理、淡入淡出
        ↓
[8] 导出 .wav 24-bit 入 00_raw/music/

6.2 Prompt 模板（《林夏》4 段曲）

M1 · 21:00 主题 / 全程低氛围 Loop

Style: lo-fi midnight bedroom, soft piano, light vinyl noise
Instruments: muted piano, subtle synth pad, occasional rain outside window
Tempo: 70 BPM
Mood: melancholy but warm, alone but not lonely
Structure: ambient loop, no drums, no clear melody peak
Duration: 90 seconds (extend to loopable)
Vocals: instrumental

评审标准：

必须能 loop 30 分钟不觉得"在重复"
不能有任何强旋律压过 TTS

M2 · 22:30 悬疑过门

Style: subtle ambient suspense, cinematic tension
Instruments: low drone, single hanging piano note (high register), sparse strings
Tempo: 60 BPM
Mood: unsettling but not horror, like a question mark
Structure: 30 seconds, builds slowly, ends on unresolved chord
Vocals: instrumental

M3 · 23:45 周南段落

Style: gentle indie folk, intimate acoustic
Instruments: fingerpicked nylon guitar, soft male humming (no lyrics, just "mmm"), light shaker
Tempo: 75 BPM
Mood: hopeful nostalgic, like reading an old letter
Structure: 120 seconds, gradual build, soft climax at 0:80, gentle outro
Vocals: wordless humming only, very subtle

M4 · 02:00 结尾

Style: warm cinematic piano, dawn moment
Instruments: solo piano, soft string pad entering at 0:30
Tempo: 50 BPM
Mood: like the moment you realize you survived a hard night
Structure: 90 seconds, single melody line, no drums, fade out
Vocals: instrumental

6.3 角色铃声生成（9 个）

每个角色一个独立铃声，玩家"听铃辨人"：

角色	Suno Prompt	时长
mom	`老式诺基亚铃声风格, warm marimba, simple 4-note motif, 70bpm`	4s loop
azhe	`cold minimal electronic ringtone, 2 notes only, 80bpm`	4s loop
xiaomei	`cheerful pop ringtone, ukulele plucks, 4-bar phrase, 100bpm`	4s loop
zhounan	`nostalgic 90s pager beep + soft chime, 70bpm`	3s loop
hr	`corporate professional ringtone, neutral marimba, 90bpm`	4s loop
anan	`bouncy J-pop intro, 2 seconds, 110bpm`	3s loop
delivery	`standard Chinese delivery app push sound, 1 second`	1s
unknown	`eerie low drone, no melody, 40bpm`	4s loop
system	（不需要铃声，是震动）	—

6.4 Suno 使用 Tips

每次出双稿：Suno 一次返回 2 首，第二首往往比第一首意外。
用"Custom Mode"：能精确填 Lyrics（留空）+ Style，避免随机。
避免 vocal：除非明确要 humming，否则 prompt 里加 instrumental no vocals。
Extend 不超 3 次：第 4 次开始质感会断层。
Stem 拆轨非常省事：拆出后可以单独调音量，比从 mix 抠声好太多。

7. 音效生产 SOP（ElevenLabs Sound Effects）

7.1 项目所需音效清单（约 60 个）

类别	数量	例
UI 音	12	微信咚、震动短/长、消息提示、来电铃响半秒、接通滴、挂断滴、撤回 swoosh、已读、未读、错误提示、菜单切换、确认
拟音	18	烧水壶哨响、水沸腾、键盘敲击 5 种节奏、外卖敲门 3 种、门关、钥匙、玻璃放下、椅子拉、纸张翻、笔写字、手机放在床上、手机震动桌面
角色化短音	8	阿哲消息撤回 swoosh、妈妈微信消息发出 woosh、群里@提示音、未知号码呼吸（轮询 3 段）、外卖结账提示、HR 邮件附件提示、电量 1% 警告、备忘录播放滴
过渡 / 转场	8	章节过渡轻 swell、时间流逝标记（22:00/23:00/00:00 等）、灯光熄灭暗示、心跳加速、深呼吸、玻璃碎一秒、雨势忽大、雨势忽小
结局专用	4	字幕浮现 chime、烧水壶滴一声、夜班车驶过、野猫叫一声
预留备用	10	—

7.2 ElevenLabs Sound Effects Prompt 模板

通用结构：

{动作或物体}, {距离/视角}, {环境}, {时长建议}

示例：

资产 ID	Prompt
`sfx_kettle_whistle`	`kettle whistling, close mic, small kitchen, 3 seconds, vintage`
`sfx_keyboard_typing`	`mechanical keyboard typing, soft, 5 seconds, intimate close mic`
`sfx_wechat_pop`	`short notification pop sound, soft, single high pitched 'tap', 0.5 seconds, original not WeChat`
`sfx_message_swoosh`	`quick whoosh of message sending, electronic, 0.3 seconds`
`sfx_door_knock_delivery`	`three knocks on apartment door, polite delivery, hallway echo, 2 seconds`
`sfx_glass_down`	`glass placed on wooden desk, soft clink, close mic, 1 second`
`sfx_phone_vibrate_table`	`phone vibrating on wooden bedside table, 2 seconds`
`sfx_cat_yowl_distant`	`single cat yowl in distance, alley, late night, 1.5 seconds`
`sfx_breath_unknown`	`human breathing through phone, slightly muffled, anonymous, 6 seconds`

7.3 ElevenLabs SFX 使用 Tips

每条 prompt 跑 3 次：每次都不一样，多挑。
时长别贪长：>10s 容易"漂"。需要长效果就做 loop。
避免品牌词：不能写 WeChat sound iPhone ringtone Apple notification，直接侵权。改写为 Chinese-style messaging app soft pop。
要用 mp3 时再转：默认下载 mp3 192k，生产中先转 wav 再处理。

7.4 音效"哪类必须找真采样而非 AI"

音效	原因	采样源
30 秒以上的环境底噪	AI 长 ambience 会"漂"	Freesound / Epidemic
真实城市夜噪（远地铁、夜班车）	AI 太干净，缺真实空气感	Freesound CC0
特定地域口音、街头叫卖	AI 无地域性	自己录
情绪化的笑声、哭声、叹息	AI SFX 还达不到	TTS 角色化处理或真人录

8. 环境采样 SOP（Freesound / Epidemic Sound）

8.1 项目环境底噪清单

ID	用途	时长	描述	推荐源
`amb_apartment_night_01`	全程底噪	10 min loop	合租屋夜晚，远处车声、冰箱嗡嗡、偶尔水管	Freesound `apartment night ambience`
`amb_apartment_night_02`	备用	5 min loop	同上不同质感	Freesound
`amb_bar_loud_01`	室友安安电话背景	1 min loop	拥挤酒吧，人声谈笑 + 电子音乐底	Epidemic Sound
`amb_subway_distant`	转场	30s	远处地铁过站	Freesound `subway distant`
`amb_kitchen_morning`	结局 A	1 min	厨房环境，水龙头滴、冰箱嗡	Freesound
`amb_rain_window`	M1 BGM 衬底	5 min loop	窗外细雨	Freesound `rain window soft`
`amb_late_night_bus`	结局段	20s	夜班公交驶过空街	Epidemic Sound
`amb_dawn_birds`	结局 D	30s	清晨鸟叫	Freesound `dawn birds urban`

8.2 Freesound 检索 SOP

关键词搜索（英文优先）。
过滤条件：
- License: Creative Commons 0 优先；Attribution 次之；不要 Attribution NonCommercial（商业项目）。
- Duration: 设最小值（避免短到没用）。
- Sample rate: 44.1kHz / 48kHz。
听 → 下载 .wav 原始版本（不要 mp3）。
立刻在 §11 版权登记表里登记：URL / 作者 ID / License / 下载日期。
入 00_raw/ambience/ 命名 amb_xxx_freesoundXXXXX.wav（保留 Freesound ID）。

8.3 Epidemic Sound 检索 SOP

Epidemic Sound 全部资源都是 Royalty-Free（订阅期内可商用）。
直接下载 .wav 24-bit。
在版权登记表登记 Track ID（Epidemic 提供）。
退订后已下载的资产仍可继续使用，但需保留下载凭证（截图存档）。

8.4 环境采样的"假性立体声"处理

许多 Freesound 资源是单声道。处理成立体声：

# REAPER / Audition 操作：
# 1. 复制单声道到 L、R 两轨
# 2. R 轨延迟 8–15 ms
# 3. R 轨高频 EQ 微调 ±1 dB
# → 听感即获得"环境的宽度"，但不影响 TTS 在中央的位置

禁止：用空间音效插件做 3D 定位——本作明确不依赖空间音效定位。

9. 后期统一处理 SOP

9.1 响度规范（关键）

资产类型	目标 LUFS（综合）	峰值上限
角色语音（电话/微信语音）	-16 LUFS	-1 dBTP
系统 TTS	-18 LUFS	-1 dBTP
主题音乐（M1–M4）	-18 LUFS	-1 dBTP
环境底噪	-22 LUFS	-3 dBTP
短音效（UI 类）	-14 LUFS（短促能听清）	-1 dBTP

为什么角色语音 -16 LUFS：移动端 + 耳机场景，比影视的 -23 LUFS 响度高 7 dB，让玩家在嘈杂环境（公交、宿舍）也能听清。

测量工具：Youlean Loudness Meter 2 (Free)，REAPER 内置即可。

9.2 处理链（每条 TTS 标准链）

原始 TTS (.wav, 24-bit, 48kHz, 单声道)
      ↓
[1] iZotope RX · Mouth De-click（去 TTS 偶发咔嗒声）
      ↓
[2] iZotope RX · Voice De-noise（轻档 -6 dB，去合成底噪）
      ↓
[3] EQ · 高通滤波 80 Hz（去低频噪）
      ↓
[4] EQ · 角色化频段调整（按 §4 配置卡）
      ↓
[5] Compressor · 4:1, threshold -18 dB（控动态）
      ↓
[6] 加听筒效果（仅"电话/语音"形态，详见 §9.3）
      ↓
[7] Loudness Match · -16 LUFS
      ↓
[8] Limiter · ceiling -1 dBTP
      ↓
[9] 导出 .wav 16-bit 48kHz → 01_processed/tts/

9.3 「听筒效果」预设

模拟手机听筒/微信语音的窄频段感：

EQ:
  HPF 300 Hz, 24 dB/oct
  LPF 3.4 kHz, 24 dB/oct
  +1 dB at 1.5 kHz（保留人声清晰度）

Saturation:
  Soft tape saturation, 5–8% drive

Noise:
  叠极轻底噪（-50 dB），可用 ambience 库 phone_noise_floor.wav

例外：mom 第 16 条 4 分钟长戏 不加听筒效果 —— 这条是微信语音"完整音质版"，是设计意图。

9.4 音乐处理链

Suno 原始 (.wav, 立体声, 48kHz)
      ↓
[1] Trim 头尾静音
      ↓
[2] Loop 点设计（找节拍重音对齐）
      ↓
[3] Crossfade 50 ms（loop 接缝）
      ↓
[4] EQ · 削掉 200–500 Hz 的"AI 浊感"（-2 dB）
      ↓
[5] Stereo Width · 控制在 70%（避免吃掉中央 TTS）
      ↓
[6] Loudness Match · -18 LUFS
      ↓
[7] Limiter · -1 dBTP
      ↓
[8] 导出 .wav → 01_processed/music/

9.5 环境底噪处理链

Freesound 原始 (.wav)
      ↓
[1] Trim 不需要的段
      ↓
[2] iZotope RX · 去掉突兀的"事件"（突然的喊叫、关门）
      ↓
[3] HPF 60 Hz（去隆隆声）
      ↓
[4] LPF 12 kHz（去高频噪）
      ↓
[5] Loop 点设计（必须找几乎静止的 1 秒做接缝）
      ↓
[6] Crossfade 200 ms
      ↓
[7] Loudness Match · -22 LUFS
      ↓
[8] 假性立体声化（§8.4）
      ↓
[9] 导出 .wav → 01_processed/ambience/

9.6 批处理脚本（FFmpeg 示例）

格式批量转换 + 响度归一化：

# 把 01_processed 下所有 wav 转成最终 ogg + 响度归一化到 -16 LUFS
for f in 01_processed/tts/*.wav; do
  ffmpeg -i "$f" \
    -af "loudnorm=I=-16:TP=-1:LRA=11" \
    -c:a libvorbis -q:a 5 \
    "02_final/tts/$(basename "${f%.wav}.ogg")"
done

10. QA 验收清单（每批资产强制走一遍）

10.1 自检清单（执行人）

每条资产入 01_processed/ 前自查：

文件命名符合 §3.2 规范
采样率 = 48 kHz
单/立体声符合 §3.3 规范
响度在 §9.1 目标范围内（±1 LUFS）
峰值不超过 -1 dBTP
无明显爆音、咔嗒、底噪
时长与场记表目标值偏差 ≤ 10%

10.2 评审清单（评审人，不同人）

每批 TTS 走"三耳法则"（§5.4）：

AirPods Pro 听 → 满意度 ≥ 7/10
监听耳机听 → 满意度 ≥ 7/10
手机外放听 → 可懂 ≥ 7/10
角色辨识度 → 与配置卡一致
情绪到位度 → 与脚本意图一致

10.3 上下文听感测试（关键）

单条满意 ≠ 全场景满意。每完成一个时间段（如 21:00–22:00 这一小时）：

把这一小时所有资产按时间轴拼起来，戴耳机完整听一遍
检查：音量是否平稳？环境底噪有没有突然断层？两条 TTS 之间的"沉默"是否自然？
至少 3 名团队成员独立听完，给整体评分（1–10）
平均分 ≥ 7 才放行

10.4 玩家盲测（最终验收前）

招 5 位 22–25 岁女性玩家
不告知任何剧情，让她们戴耳机黑屏完整玩一遍
关键观测点：
- 哪条 TTS 让她们出戏（皱眉/摘耳机）→ 重做
- 哪条让她们流泪/微笑/屏息 → 标记为"金条"，备份保留
- 哪个角色被说"听不出是谁" → 配置卡需调整辨识度
内测报告归档到 03_qa_reports/

11. 版权追踪与归档

11.1 强制原则

任何一条入库资产，在它被生成/下载的当天，必须登记。 当天没登记的，第二天起视为不可用，必须返工补登。

11.2 版权登记表模板（Notion / 飞书表格）

资产 ID	类型	来源工具/平台	URL/Track ID/Voice ID	License	创建/下载日期	创建人	商用证明位置	备注
`lv11_2103_mom_call_01`	TTS	MiniMax Speech 02	voice: Warm_Auntie_v3	MiniMax 商用许可	2026-05-15	张三	`99_legal/minimax_terms_2026.pdf`	—
`amb_apartment_night_01`	ambience	Freesound	freesound.org/s/123456/	CC0	2026-05-13	李四	(CC0 无需)	作者: user_xxx
`amb_bar_loud_01`	ambience	Epidemic Sound	track id: ES_8472993	Epidemic 订阅	2026-05-14	李四	`99_legal/epidemic_invoice_202605.pdf`	订阅期内
`m1_main_theme`	music	Suno V4	song id: suno_xxx	Suno Pro 商用	2026-05-16	王五	`99_legal/suno_pro_2026.pdf`	—
`sfx_wechat_pop`	sfx	ElevenLabs SFX	(SFX 不返回 ID，存 prompt)	ElevenLabs Creator 商用	2026-05-15	王五	`99_legal/elevenlabs_terms.pdf`	prompt 存留

11.3 各 AI 平台商用授权要点（截至 2026-05）

⚠️ 每次开新项目前必须重新核对最新条款。AI 平台条款变化频繁。

平台	商用许可	特殊条件
MiniMax Speech	✅ 包含在 API 服务中	不得用于生成深度伪造、政治敏感内容
字节豆包 Voice	✅ 企业 API 包含商用	个人版可能受限，必须开企业账户
ElevenLabs	✅ Creator 及以上套餐	Free 套餐不能商用；TTS 需注明（部分场景）
Suno	✅ Pro 及以上	Free 不可商用；保留生成时的订阅状态截图
Freesound	⚠️ 看每条 license	CC0 自由用；CC-BY 必须署名；CC-NC 不可商用
Epidemic Sound	✅ 订阅期内全库商用	退订后已下载资产可继续用，必须存订阅凭证

11.4 归档与备份

Git LFS：所有 01_processed/ 与 02_final/ 资产入库。
OSS 双备份：每周自动同步到阿里云 OSS（主）+ AWS S3（备），保留 6 个月版本。
冷备：项目结项时，全套 raw + processed + final + 法务文件刻盘归档（蓝光 50 GB ≈ ¥30 一张）。

12. 附录

12.1 命名词典

字段	缩写
关卡	`lv`
TTS 角色语音	`tts`
音乐	`mus` / `m1`/`m2`/`m3`/`m4`
短音效	`sfx`
环境底噪	`amb`
来电	`call`
微信语音	`voice`
微信文字	`text`
系统提示	`sys`

12.2 项目专用术语

术语	含义
金条	玩家盲测中触发明显情感反应的语音条目，优先保留
听筒效果	§9.3 的 EQ + saturation 处理预设
三耳法则	§5.4 的三种设备评审标准
拍摄场记表	§5.5 的全条目追踪表

12.3 突发情况预案

情况	处理
MiniMax 临时服务中断	切豆包 Voice，按角色配置卡的"备用方案"行动
ElevenLabs SFX 月度 credit 用完	走阿里通义万相音效；或下月重做
Suno 出图风格全部不满意	用 Udio v2 重跑同一 prompt
Freesound 没有合适素材	Epidemic Sound；再不行临时找 1 名收音师外采（预算预留 ¥2000）
玩家盲测某条全员差评	优先级最高，必须返工，72 小时内重做 + 复测

12.4 工时估算（参考，单人执行）

资产类型	单条耗时	总耗时
短 TTS（≤ 10 s）	5 min（含 3 候选评审）	~3 h（35 条）
长 TTS（≥ 1 min）	30 min（分段+拼接）	~2 h（4 条）
单段音乐（含 extend）	40 min	~3 h（4 段）
单条音效	3 min	~3 h（60 条）
单段环境采样（含处理）	20 min	~3 h（8 段）
后期统一处理	5 min/条	~6 h
QA 与盲测	—	~12 h
合计		~32 工时（4 个工作日）

实际项目预留 2 倍时间用于反复打磨。

13. 启动检查表（Day 0 之前）

所有 §2.2 账号已开通、付费、API key 已存安全位置（团队密码管理器）
§3 文件夹结构已建好，Git LFS 已启用
§4 角色 Voice 配置卡已在 Notion 立表，每个 voice id 跑过 1 条试音确认可用
§5.5 拍摄场记表已建好，所有条目预填
§11.2 版权登记表已建好
团队听过 1 个完整 reference 项目（推荐：《Mountain》《Florence》《Lifeline》音频部分）
玩家盲测候选 5 人已联系并约好测试日期

文档状态：v1.0 · 2026-05-13 · 待团队评审 维护人：项目主控 下次修订：每完成一个项目后，回看实际数据更新本 SOP

36 KiB Raw Blame History Unescape Escape