MMAudio 無聲影片補音：商品循環短片的環境聲做法

先做場景的空氣，再補細節

咖啡店裡低低的人聲，就能交代一個杯子在哪裡，不用多解釋。雨打窗戶、海浪、風吹樹葉、房間裡低低的嗡聲，對其他商品也是同樣作用。先寫一種背景質感，加一個看得見的動作。一次要求腳步、對話、音樂和每一聲輕碰，你會聽不出最主要的那個聲音到底可不可信。也看一下片頭：如果影片是從黑畫面淡入，環境聲會從黑畫面就開始，這比聲音在鏡頭中間突然冒出來自然。

二十支片，不要寫二十個描述。按場景分組：廚房、戶外、浴室、桌面。每組挑一支，試兩種描述，留下比較好的那種，再整組沿用，只換物品名稱。描述場景的句子保持不變，整批聽起來才像同一家店。做環境聲時，場景比商品更決定聲音。

舉一個假設的例子：一家賣隨行水瓶的店有十二支片，四支在廚房、五支在戶外、三支在健身房。三個場景、每個場景兩種描述，先做六次測試生成，其他的先不動。戶外勝出的那段描述（「遠處小溪、風吹樹葉、瓶蓋旋緊」）就沿用到五支戶外片，只改手在做的動作。

片子要在商品頁循環播放的話，結尾要和開頭一樣安靜。最後一格有一聲碰撞，每次循環都會暴露接縫。在剪輯軟體裡讓結尾和開頭做零點幾秒的交叉淡化，通常就夠；連續聽五圈再決定。

也想想它會在哪裡被看到。商品頁上很多循環短片預設是靜音的，要客人自己點開聲音，所以聽到的人已經有興趣了。這種位置不需要嚇人一跳的音效，安靜、可信的環境聲反而合適。

寫聲音的大小，不寫生活風格

「奢華生活風格」是行銷概念，聽不到。寫實際發生的事：水倒進小玻璃杯、紙包住一根蠟燭、球鞋踩進水坑。也寫大小：桌上的小水花不是瀑布，一位客人的小店不會像體育館。距離也要寫，「遠遠的」和「貼著麥克風」，同一個東西會變成兩個場景。

不要要求畫面沒有的東西。海邊放一個水瓶，輕浪和一點風就夠；加上引擎、海鷗和人群，故事就變了，而且畫面裡沒有任何東西可以讓它們對齊。做咖啡店環境聲時，仔細聽那片人聲：如果聽得出字，就算是不存在的字，觀眾也會想去聽懂。描述寫「遠處模糊人聲，聽不出字」，然後確認。畫面裡一個人都沒有，背景也不該是熱鬧的人群。

不要給它一段時間表。六秒的片子寫「先下雨，接著一台車經過，最後鐘聲響起」，那是劇本，不是聲音描述，畫面裡也沒有東西標出這些時刻。某件事要在某一刻發生，就要在畫面裡發生。表面倒是值得寫：柏油路上的水坑和磁磚上的水坑，聲音不一樣，多寫幾個字就說清楚了。

這頁的樣片是一隻球鞋踩進水坑，腳步聲和水聲由 MMAudio 生成。打開聲音看，比較腳碰到水和水花響起的那一刻。每支片你都要做同樣的檢查：看得到的接觸說了算，環境聲只負責陪襯，不能蓋過商品動作。

主鏡頭值得用擬音，優惠交給口播

MMAudio 適合草稿、大量短片和氣氛型貼文。開場主鏡頭如果有好幾個貼近鏡頭的接觸，把同一支片丟給 Hunyuan Video-Foley（最長 30 秒、要寫描述）或 Kling Video-to-Audio（3 到 20 秒、有 ASMR 模式）比一比。省錢要聲音對得上才算數；一版便宜但要重做四次，就不便宜了。要不要多花，用手機以正常速度看一次：兩秒的鏡頭裡沒人分得出差別，就留便宜的那版。

MMAudio 不能當旁白。你寫的描述是「要什麼聲音」，不是要被念出來的文字。優惠必須聽得清楚時，用 ElevenLabs v3 或 MiniMax Speech 2.6 HD 生成口播，疊在上面，說話時把環境聲壓低，說完再拉回來。壓到只有人聲停下時才聽得到它，就差不多了。

發布前，用耳機和手機各聽一次，找三種問題：不該出現的類似說話聲、水花或碰撞爆音、聲音強度和畫面不符（窗上只有幾滴水，卻是傾盆大雨）。問題只出現在片尾的話，先剪掉再說，不必馬上重新生成。爆音通常出現在瞬間很大的聲音上，例如水花和碰撞，在剪輯軟體裡看波形頂到上緣、被削平的地方就是。整批做完後，把所有片子接起來連續播一次，音量忽大忽小的那幾支再統一調整。

也別忘了：開源研究模型不等於沒有規則的託管服務，供應商和工作室都有自己的內容規則。低成本也不是零成本，整批生成前先看工作室的報價，並且先做各場景的測試片。

提示詞與文案示例

氣泡水倒進小玻璃杯：桌面一點小水花，細密氣泡。安靜房間，沒有人聲和音樂。

陶瓷咖啡杯放到咖啡店桌上。遠處模糊人聲聽不出字，背景偶爾有杯盤聲，前景一聲輕輕放杯。

資料來源與模型目錄

• MMAudio: research and examples