AI 真人短剧想做出电影感，顺序不能错：先重建物理空间（对白、环境、音效三层），再上配乐卡节奏点，最后按硬指标交付——先铺音乐再补人声，成片一定“塑料”。给 AI 短剧做声音设计，本质是用声音把 AI 视频里缺失的空间信息补回来。
为什么 AI 真人短剧的声音更容易“出戏”？
结论：AI 生成的画面没有同期录音，也就没有真实空间感，观众大脑会立刻判定“假”。实拍剧里，人声天然带着房间混响、衣物摩擦和背景底噪，这些信息是“真实”的锚点；AI 视频只有干净到发干的配音轨，画面再精致也会被耳朵识破。所以声音设计的第一目标不是“好听”，而是“这套声音必须像一个真实存在的地方发出来的”。
具体做法是把一条干声当成“需要在某个房间里重新播放”的信号：选定场景（卧室、地铁、天台），给它一套固定的混响参数（小房间 RT60 0.3–0.5 秒，大厅 1.2–1.8 秒），全片同一场景不换参数。空间一旦稳定，观众就不会出戏。
声音设计的三层结构怎么搭？
结论：按对白层、环境层、效果层、音乐层四层搭建，每层守住自己的电平区间，不要互相抢。
- 对白层：AI 配音先降噪 6–10 dB（iZotope RX 或 Audition 均可），高通滤波切掉 80 Hz 以下，压缩比 3:1、阈值 −18 dB，让人声稳稳压在 −6 dBFS 峰值上下。
- 环境层：房间底噪、街道、雨声、空调声，音量比对白低 18–24 dB。环境层要“全程不断”，断掉的那一刻观众就会察觉剪辑点。
- 效果层：脚步、开门、放杯子、衣物摩擦，重要动作每 3–5 秒给一个音效点，音量比对白低 10–15 dB。
- 音乐层：见下一节。
判断标准很简单：把成片用手机外放听一遍，如果只听得清人声、听不到环境，说明环境层给少了；如果人声被音乐盖住，说明音乐层没做侧链（ducking）。
配乐怎么选、怎么剪才像电影？
结论：AI 短剧配乐不追求“好听”，追求“卡点”——情绪转折前 1 秒进、转折后 2 秒退，比整段铺一首歌高级得多。
三个可执行参数：
- 节奏匹配：先数剪辑点，60 秒成片通常 6–10 个转折点，选 BPM 在 70–90 的曲子，把鼓点对到剪辑点上。
- 对白闪避：有人说话时音乐自动压到 −18 至 −22 dB，无人声段回到 −10 dB，用侧链压缩实现，不要手动拉关键帧。
- 转场音效：场景切换加 0.8–1.5 秒的 riser（上升音效），集尾或反转加一记低频 hit（40–60 Hz），这是“电影感”最省力的两个开关。
配乐必须用可商用授权曲库（Epidemic Sound、Artlist 等），保留订单与授权截图。发布侵权音频，平台核实后会删除内容并按版规处罚账号。
怎么让 AI 配音听起来像“人”？
结论：靠呼吸、停顿、语速三件事，音色本身排第四。
- 呼吸声：每 3–5 句插入一次吸气，电平比对白低 12–15 dB，位置放在情绪转折前。
- 停顿：句间留 200–400 毫秒自然停顿，情绪转折处拉到 600–800 毫秒。AI 配音默认停顿太均匀，这是最大的破绽。
- 语速：叙事段 4.5–5.5 字/秒，争吵段 6–7 字/秒，同一角色全片只用 1 个基础音色加 1 个情绪变体，音色一换观众就认不出人。
做完这三步，再考虑加一点极轻的失真或磁带饱和（5%–10%），模拟设备质感。
混音交付要检查哪几个硬指标？
结论：交付前三查——响度、真峰值、单声道兼容，三项都过才算完。
- 响度：整体 −14 LUFS（短视频平台通用值），波动不超过 ±1 LU。
- 真峰值：≤ −1 dBTP，超过就会在平台转码后爆音。
- 单声道兼容：切单声道听一遍，环境层如果有相位抵消会瞬间消失，用相关性表检查，保持在 +0.3 以上。
- 导出格式：WAV 48 kHz / 24 bit 存档，AAC 320 kbps 上传。
最后提醒一句：把这套流程当模板固定下来，同一部剧的每一集用同一组参数，观众连看十集才不会觉得“每集质感不一样”。做完初版可以发到技术社区找同行盲听，比自听三遍有效。GJ 站长论坛面向 AI 从业者的交流区，就常有人贴成片互评混音。
