音效是 AI 影片裡最後一塊手工活

影片模型現在會生成音訊了。Veo 出廠就帶聲音,Seedance 也是音畫一起出來,MiniMax H3 一次就能生出畫面和立體聲,Gemini 的 Omni 系列在寫出畫面的同時把同步音訊一起寫出來。無聲生成的年代在這十二個月裡的某個時間點結束了,而且沒有人打算回頭。問題早就不是能不能出聲,而是出的是什麼聲。
那為什麼現在每支做好的 AI 影片,聽起來還是像手工拼出來的?
因為確實是手工拼的。生成來的音訊只是一層底:環境聲,也許還有一段配樂提示,你明確要求的話,再給你一點像對白的東西。但一支成片真正要的是被設計過的聲音。第四秒關上的那扇門。角色轉身時布料摩擦的那一下。塑膠卡榫扣上時那種空心的喀噠,而不是金屬的。這一層到現在還是從素材庫買、在處理過的錄音室裡錄,或者翻出某個 2019 年買過授權的音效包。
ElevenLabs 的 Sound Effects v3 這週上了 fal。真正該看的細節不在版本號,而在這個端點被做成什麼形狀:它開放了哪些東西,又替你先處理掉哪些麻煩。形狀決定了它能被誰用、怎麼用。
端點到底開放了什麼
文字進去,音效出來,最長 30 秒,生成時會參考你描述的情境。走 fal 的 API 程式化呼叫,不是網頁介面。另外還原生支援無縫循環,明確對準環境底噪和遊戲音訊這兩種用途。

前三項都算普通。第四項不算。
無縫循環是技術限制,而多數生成式音訊處理得很差。一段循環必須結束在它開始的地方,相位對齊,接縫不能有喀噠聲,也不能有模型想收尾時留下的明顯漸強。做過遊戲關卡、或做過十分鐘環境音軌的人都知道那個破口長什麼樣:每二十秒呼吸一次的循環點,一聽就露餡。
要一個文字轉音訊的模型做循環,等於要它滿足一個跟單獨聽好不好完全無關的限制。官方把它列成原生能力,而不是留給你事後自己修,這才是這次發表裡實質的部分。
30 秒是另一個值得提的限制。它排除了整場戲,也排除了配樂。但它沒排除那些真正塞滿時間軸的東西:車頂上的雨、機房的低鳴、市場的人群、碎石上的腳步、大樓空調機組的悶響。一段 30 秒可循環的底噪,交叉淡化一下夠鋪一分鐘畫面;循環得乾淨的話,夠鋪一小時。這類素材本來就不是鏡頭,它是背景。
為什麼它跑在聚合平台上
fal 是推理平台,用一個 API 把幾百個影像、影片、音訊和 3D 模型擺在後面,客戶包括 Adobe、Canva 和 Shopify。把 ElevenLabs 的音效端點加進這份目錄,是一則很小的產品新聞,但結構上的意義不小:音訊現在和畫面在同一條管線裡,算是一級公民了,兩邊也終於能記在同一張帳單上。
這點重要,是因為 AI 影片製作實際上是這樣拆開的。現在的工作流是一串分開的呼叫:腳本、關鍵影格、動畫、放大、配音、音樂、音效、混音。以前每一步都住在不同工具裡,對應不同的帳單關係,想改一步得換個地方登入。當音效端點和影片端點擺在一起,這串呼叫就變成一支程式,而一支程式可以被版控、被重跑、被算清楚成本。這一步看著小,改的是整條鏈怎麼組織。
成本是那個比較少講出口的理由。在小型製作裡,聲音設計是少數「人的一小時真的換不掉」的項目,因為「這個房間該是什麼聲音」根本沒有正確答案,只能靠判斷。生成端點不會替你做這個決定,它拿掉的是決定和素材之間那段採購流程。
生成的聲音還差在哪
有三種失敗模式值得先想好對策,而且一個比一個難繞。
第一是具體度。只寫關門,出來就是一道誰家的門都算的門。擬音的手藝在於挑門:多重、什麼卡榫、門框是金屬還是木頭。提示詞能帶出一部分,但模型的預設是它聽過一切的平均值,而平均的那道門是一道沒有人會注意的門。描述得越少,它越只能退回這個平均值。有時候這正好對,有時候這就是一場戲看起來廉價的原因。
第二是疊層。真實場景是堆出來的:一層基礎環境、一層中層活動、最上面是點音效,全部在對白底下讓位。一次生成只給你一軌。把五個生成出來的聲音合成一個可信的混音,是混音問題,不是生成問題,還是需要一個聽得出差別的人,這活也沒辦法外包給一條更長的提示詞。
第三是同步。和畫面分開生成的聲音,必須對著畫面放。逐格對齊是時間軸上的操作,沒有任何文字提示能穩定地把一聲腳步放在腳踩下去的那一格。這也是為什麼有意思的進展都發生在一次同時輸出音訊和影片的模型上,也是為什麼有些模型現在給的五分軌比看起來更重要:一次生成給你同步,分軌給你事後重新配平的能力。同步是位置關係,不是音色問題。
任何一個生成的音效,先問三個問題
它循環起來有沒有破口。連續放兩次,在接縫處聽。如果聽得到一次呼吸,那它是片段不是底噪,該墊在場景下面,不是墊在關卡下面。這個測試不需要什麼專業設備,一副耳機就夠。
它撐不撐得住疊層。單獨聽很驚人的聲音,進了混音常常就不見了,更糟的是會跟對白打架。用比你打算用的音量更低的電平去要這個音效,看角色還在不在。混音台上的推桿本來就是幹這個用的。
它在不在對的房間裡。殘響就是情境,而情境正好是文字提示描述得最差的部分。內容完全相同的兩個音效,放在不同空間就是不對,同一個聲音擺在臥室和擺在地下停車場,是兩回事。解法通常是單獨再跑一次,而不是把提示詞寫得更漂亮。
這些都不是難做的測試。它們是聲音設計師十秒就能跑完的檢查,也是這份工作之所以存在的原因。這樣一個端點的價值在於,你可以拿二十個候選去跑,而不是三個。三個的時候你只能挑最好的那個,二十個的時候你才開始挑對的那個。差別不在工具本身,而在你願意承受多少次試錯,以及每次試錯要燒掉多少時間。
實際後果
對一個人做事的創作者來說,這改變的是第一版的成本。你現在可以在跟畫面同一個循環裡迭代聲音,兩者一起設計,而不是等聲音最後才當收尾工序出現。這是工作流的改善,而工作流的改善會複利。改的是順序,不只是速度。
對工作室來說,價值在長尾。素材庫涵蓋的是你規劃過的聲音,涵蓋不了剪輯在晚上十一點突然要的那一個,而這正好是文字提示擅長的場景:你描述得越具體,越接近腦子裡那個聲音。
對做工具的人來說,端點出現在聚合平台上本身就是訊號。音訊不再是一筆單獨採購,它是跟算圖同一條請求鏈裡的一個參數。還把音訊當獨立步驟處理的產品,一季之內就會顯得慢。
老實說一句:它不取代聲音設計師,官方也沒這樣宣稱。它取代的是聲音設計師一天裡翻素材庫、找「差不多夠用」的那些時刻。真正省下來的是搜尋,不是判斷。那個時刻比聽起來更大,而且是後期所有人都討厭的那一段。