AI 影片混音全攻略：人聲、音樂、音效三層處理（2026）

一句答你：AI 影片混音，重點係將人聲、音樂、音效分開三層處理，人聲永遠最前，音樂同音效靠 ducking 同固定音量比例讓位，最後用統一響度輸出。

重點摘要 Key Takeaways

• 混音三層結構：人聲（旁白／對白）係主層，音樂係氛圍層，音效係點綴層。
• 常用音量比例係「人聲 > 音效 > 音樂」，唔好靠耳仔估，要逐層靜音檢查。
• Ducking 係音樂自動喺人聲出現時降低音量嘅技術，AI 生成影片一樣適用。
• AI 生成嘅音軌（尤其 TTS 同音效）響度唔一致，輸出前要統一響度概念，唔係淨係拉大細聲。
• 五個常見錯誤：唔分層、音樂太搶、零 ducking、音效亂堆、最後先做混音。
• 混音唔係後期糖霜，由劇本同配音階段就要預位。

乜嘢係 AI 影片混音

AI 影片混音，簡單講就係將 AI 生成影片嘅所有聲音元素——AI 旁白、AI 對白、背景音樂、音效——分層處理好音量同空間，令成條片聽落乾淨、平衡、專業。

好多做 AI 短片嘅朋友，時間全花喺畫面上，聲音就「攞個 TTS 出嚟、加首音樂、疊埋就算」。結果音樂蓋過旁白，觀眾聽唔清你把廣東話 AI 聲講乜，完。

呢篇用廣東話口語，行一次 AI 影片混音嘅完整流程：三層結構、音量比例、ducking、響度，同埋五個最常見嘅錯誤。

點解 AI 影片比普通影片更需要混音

真人拍片，現場收音已經幫你做好一部分。但 AI 生成影片唔同：

• AI 旁白／TTS 係獨立生成嘅音軌，同畫面元素完全無關。
• AI 影片生成工具嘅原生音頻（如果有）同你自己加嘅音樂、音效，來源完全唔同，響度標準不一。
• 中英夾雜嘅廣東話旁白，英文字眼（例如「check 吓」、「follow up」）同中文字嘅音量落差可能好大，TTS 逐段生成時尤其明顯。

根據 Text-to-Video 生成綜述（arXiv 綜述論文, 2026），而家主流影片生成模型嘅重點仍喺視覺質素，音頻一致性同場景音嘅可控性係明顯較弱嘅一環。所以「生成完再自己混音」呢一步，短期內唔會消失，反而越來越重要。

【獨家觀察】 睇開大量 AI 廣告片同短劇作品嘅話會發現：觀眾對畫面瑕疵容忍度其實幾高（少少鬼影、背景畸型未必察覺），但聲音一拎，例如音樂蓋住對白、兩段旁白音量忽然唔同，觀眾即刻覺得「呢條片好 cheap」。聲音係觀眾判斷製作水平嘅隱形指標，可惜好多創作者將佢排喺清單最尾。

三層結構：人聲、音樂、音效

人聲層 係影片嘅資訊主軸，包括 AI 旁白、AI 對白、配音。呢層永遠最前（foreground），其他層要為佢讓路。用 AI 配音嘅話，建議由劇本階段就用好節奏嘅旁白稿，可以參考我哋嘅TTS 旁白稿寫法指南。

音樂層 係氛圍層，作用係設定情緒同節奏，唔係主角。AI 生成嘅音樂同買回嚟嘅授權音樂都一樣，入嚟之後先降低音量做墊底，人聲出現時再 duck 落嚟。

音效層 係點綴層，用嚟強調動作同轉場（例如按鍵聲、開門聲、transition whoosh）。佢應該短、準、唔搶戲。

例如一條 30 秒粵語廣告片：頭 3 秒純音樂＋logo 音效，第 4 秒 AI 旁白進場，音樂即時 duck 低，中間一個 product shot 配一聲短 whoosh，結尾旁白完，音樂回升高收。三層各有位置，互不搶奪。

音量比例：點樣定先合理

唔同影片類型比例唔同，但有一個通用嘅出發點：

實際操作唔好靠一次過聽晒成條片去估。建議逐層檢查：

1. 淨聽人聲層：確認每句聽得清、音量一致。
2. 淨聽音樂層：確認單獨聽冇爆音、冇突兀跳位。
3. 淨聽音效層：確認每個音效有目的，唔係亂堆。
4. 三層一齊播：重點檢查「人聲出現嗰幾秒」音樂有冇讓位。

【獨家觀察】 好多新手會喺做開頭同結尾嘅時候先落心機做音樂，中間大段旁白部分音樂一成不變咁墊住，其實音樂應該跟影片段落有起有伏：旁白停頓位音樂可以微升，重點訊息位音樂壓到最平。唔使複雜自動化，手動剪幾個音量關鍵位已經好大分別。

Ducking：音樂點樣為人聲讓位

Ducking 係指當人聲出現時，自動或者手動將音樂／音效音量短暫降低，人聲完咗再回升嘅技術。

兩種做法：

• 手動 ducking：喺剪接軟件度逐段拉低音樂音量，加 fade in／fade out。最可控，適合短片同重要項目。
• 自動 ducking：好多剪接工具（例如 CapCut、Premiere Pro 呢類剪接／字幕／混音類工具都有相關功能）提供「音樂跟對白自動降低」選項，設定閾值同回復時間就得。快，但偶爾會反應遲半拍，要人手覆核。

例如旁白講到「本月限定優惠」呢類關鍵句，音樂應該壓到最平；旁白之間嘅空檔，音樂先可呼吸。手動 ducking 就係喺呢啲位置落音量 keyframe。

一個常見參考做法係：ducking 時音樂音量大約留番平時嘅兩至三成，等佢「存在但唔干擾」。具體數值當然要按你自己嘅音樂素材同人聲素材調整，冇全球統一數。

響度：唔係拉大細聲咁簡單

響度 係人耳感知嘅聲音強度，同單純嘅「音量推桿位置」唔同——兩條音軌峰值一樣，聽落都可以一個大一個細。

AI 影片混音嘅響度問題特別明顯，因為你嘅音源來自多個唔同工具：

• TTS 生成嘅旁白（可以睇AI 影片粵語配音指南）
• AI 影片工具自己生成嘅原生音頻
• 授權音樂庫
• 音效素材

呢啲素材冇統一標準，直接疊埋就會忽大忽細。通用做法係：

1. 每條音源先做「peak normalization」防爆音，再用人耳同響度錶微調。
2. 成條片最後輸出時做一次整體響度處理，確保頭尾一致。
3. 發佈去唔同平台（YouTube、社交媒體、電視）前留意各平台對上載響度嘅建議，官方幫助文件通常有列明。

特別提醒：TTS 逐段生成時，如果分段生成先再拼接，每段響度可能有微差。拼好之後記得由頭到尾聽一次，標出音量突變位。用廣東話 AI 聲做旁白嘅話，句尾語氣助詞（喇、囉、喎）音量同句中嘅落差都要留意。

五個常見錯誤

錯誤一：唔分層，全部疊一軌

將旁白、音樂、音效全部拉去同一條音軌，之後想單獨調任何一樣都做唔到。由第一日起就分三軌（或者至少分人聲／其他兩軌），係最基本嘅紀律。

錯誤二：音樂太搶

創作者揀音樂嗰陣通常喺靜音環境單獨聽，覺得好正，但疊埋旁白先發現蓋晒。通用檢查法：如果唔睇字幕聽唔清旁白每隻字，音樂就係太搶。廣東話聲調多（六聲調），音樂中頻同人聲頻段重疊時特別容易「食字」。

錯誤三：零 ducking

音樂成條片一個音量播到尾。人聲講嘢時音樂照樣轟，觀眾要自行「過濾」。呢個係 AI 短片最常見嘅業餘訊號之一。

錯誤四：音效亂堆

每個轉場都加 whoosh、每個字卡都加打字聲，音效氾濫會令觀眾疲勞。原則係每個音效都要有敘事目的：強調、轉場、或者空間感。冇目的就刪。

錯誤五：最後先做混音

混音唔係「出片前五分鐘嘅收尾」。正確流程係：

1. 劇本階段：標明邊句旁白配乜畫面、邊度留白俾音樂。
2. 配音階段：確認 TTS 旁白節奏同停頓位（可以參考TTS 標點停頓指南）。
3. 剪接階段：分層放好，邊剪邊粗混。
4. 完片階段：精混＋響度統一＋逐層檢查。

越遲做，改動成本越高。用 AI 影片工具生成完先發現旁白同音樂撞位，可能成段要重配。

用 AI 生成工具時嘅混音注意位

而家主流影片生成工具嘅音頻能力各有唔同。根據各官方文件（觀察日期 2026-10-31）：

• Seedance 2.5 支援音頻輸入同雙聲道輸出，生成原生音頻嗰陣記得同你自己嘅旁白軌做平衡（官方頁見 Seedance 官方文件, 2026）。
• Kling 4.0 支援立體聲輸出，佢嘅 Lip Sync 工具可以直接用你上載嘅聲軌或者 TTS，上載聲軌長過影片就要剪（官方頁見 Kling 官方文件, 2026）。
• Veo 3.1 有原生音頻，但官方講明英文以外語言屬未評估狀態，所以粵語旁白多數仍係自己另外配音再混（官方頁見 Veo 官方文件, 2026）。

實務流程通常係：AI 工具生成畫面（＋可能有環境音）→ 粵語旁白另外用 TTS 生成 → 對嘴用 lip sync 工具（相關做法見Kling AI 粵語對嘴教學、Veo 3 粵語語音指南、Seedance 粵語語音指南）→ 最後三層混音。

從學術角度睇，T2V-CompBench 呢類構圖評測基準（T2V-CompBench 論文, 2026）評嘅主要係視覺組合能力，音頻層面嘅可控性未有成熟公開基準，所以「生成後自行混音」依然係必要工序。另一篇從 Sora 談生成式影片嘅綜述（Sora 綜述論文, 2026）都指出音視頻同步係待解難題。

一個簡單混音 checklist

出片前逐項打勾：

• 人聲、音樂、音效分三軌？
• 逐層靜音檢查過？
• 人聲出現位音樂有 duck？
• 冇爆音（紅燈 clip）？
• TTS 分段拼接位音量一致？
• 頭尾音樂有 fade in／out？
• 輸出後喺手機喇叭聽一次？（好多人只戴耳機做混音，手機先係大部分觀眾嘅播放設備）

常見問題 FAQ

AI 生成影片一定要自己混音嗎？

如果工具生成的原生音頻已經夠用，可以唔使。但凡你加咗 TTS 旁白、背景音樂或者音效，就要混。多音源疊加，冇混音就冇平衡。

Ducking 要做幾深？

通用參考係 duck 落平時兩至三成音量，人聲停頓位可以升返少少。最終以「唔睇字幕聽得清每隻字」為準。

TTS 旁白每段音量唔同點算？

分段生成嘅 TTS 響度可能有微差。拼好後由頭聽到尾，標出突變位，逐段微調音量推桿，或者將成條旁白軌做一次整體響度處理。

廣東話旁白同音樂撞聲點處理？

廣東話聲調變化大，音樂中頻（人聲主頻段）太豐富會食字。揀音樂時可以避開人聲主唱嘅段落，或者揀純器樂、頻段偏高低兩端嘅音樂。

手動 ducking 定自動 ducking 好？

重要項目用手動，可控制每個 keyframe；趕工或者長片用自動，再做人工覆核。兩者混用都好常見。

混音要用專業監聽耳機嗎？

有當然好，但唔係必須。重點係至少用兩種播放設備檢查：耳機＋手機喇叭。好多觀眾係用手機外放睇片嘅。

音效邊度搵先合法？

用有明確授權嘅音效庫或者音樂庫，唔好用來歷不明嘅音源。音樂、字體、圖像一樣，全部要清授權。

[!CTA]

想試吓粵語 AI 旁白再自己混音？

去 港嘢 playground 輸入旁白稿，即刻生成你嘅廣東話 AI 聲軌。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。

本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）