AI 短剧的音频设计：从配音、BGM 到音效的实战工作流

在 AI 短剧制作中，音频往往被当作后期环节，但资深导演、剪辑师沐己（老王）在 WayToAGI 社区「AI短剧训练营」第 6 课中提出了一个反直觉的观点：音频工作应该前置到生图阶段之前。这场分享围绕 AI 短剧的音频设计展开，系统拆解了漫剧与真人剧的音频差异、配音工具的选择与使用、BGM 的生成逻辑以及音效的获取途径。无论你是刚入门的 AI 视频创作者，还是希望提升短剧成片质量的剪辑师，这篇文章都能帮你建立一套可落地的音频工作流。

漫剧与真人剧：音频角色的根本差异

▶ 24:19 · 看这一节

沐己在课程开头播放了同一部剧（《一人之下》）的真人版和漫剧版两段音频，让学员分辨差异。他借此强调，AI 短剧创作者必须清晰认知两种体裁在音频上的根本区别，否则音频容易出问题。

音频分为音乐、音效、配音三个板块，在漫剧和真人剧中有明显区别：

音乐：漫剧强调情绪反差、剧情爆点，并弥补画面简化的缺陷——漫剧分镜不像真人剧有那么多的位置关系和人物表达，需要观众脑补，音乐因此承担了带动叙事节奏的作用。风格上更夸张、更多样、起伏大，密度上几乎从头到尾都有 BGM 烘托。真人剧的音乐则只为烘托场景氛围、贴合人物状态、弱化表演痕迹，风格克制且写实，观众往往很难感受到 BGM 的存在，人声和环境声占据主导地位，音乐只在关键剧情插入。

音效：漫剧音效非常丰富且夸张，转场、人物动作都需要音效补充，因为漫剧没有现场录音，全靠后期制作。真人剧音效写实、细节化、真实化，一般现场就完成了录制。

配音：漫剧配音演绎非常夸张，能体现人物个性和标签；真人剧配音自然生活化，贴近真实对话。

沐己总结道：“漫剧的音频是主动的引导叙事，而真人剧的音频是被动的烘托氛围。”在漫剧里，音频是核心因素，是“ADC”，整个剧情的爽感和沉浸感主要靠音频输出；在真人剧里，音频则处于辅助角色。

音频前置：用声音定视觉的剪辑思路

▶ 34:36 · 看这一节

沐己提出了一个关键的工作流观念：音频工作一定要放在前期，而不是等拿到视频素材后再处理。

他解释，传统流程是剧本拆分镜、生图生视频、剪辑，最后才处理音频。但如果没有丰富的剪辑经验，拿到素材再做音频，很容易陷入视觉陷阱——音频跟着视觉走，导致片子节奏忽快忽慢。人对音频的节奏感比对视觉的节奏感更容易把握，因此应该反过来，用音频来定视觉。

沐己分享了自己的实际操作：在他的项目里，生图师还在生图时，他就已经开始制作音频了。在拿到视频素材之前，配音和背景音乐已经大致制作完毕，音效则等视频出来后再加。“基本上我会闭着眼睛去听整个音乐的节奏和配音”，他说。

具体做法是：拿到剧本后，对每一场戏进行节奏和音频风格的判断——这场戏是欢快、刺激、惊悚还是紧张的氛围？大概有多少镜头、对应多长时长？然后先把配音配出来，放进剪辑软件留好气口，再配上背景音乐。这种“先定音频、根据音频来定视觉”的工作流，也是影视飓风、食频道等知名视频博主的通用做法。

配音工具：从剪映克隆到 TTS 与海螺

▶ 40:59 · 看这一节

沐己介绍了三种主流的 AI 配音方式，并逐一说明了优缺点。

剪映预设与音色克隆：剪映的预设配音大部分不可用，沐己表示自己基本把所有音色都听过一遍，只有五六个可以配配角或旁白。更好的选择是音色克隆。他以《一人之下》为例，演示了如何截取角色不同情绪的对话片段进行克隆。克隆的缺点是无法调整声音情绪，所以“最少一个角色有那么 3～4 个不同的情绪的声音去做克隆”，这样创作时不同情绪的配音能提升整部片子的成色。

沐己提醒，克隆音色不涉及版权问题，但直接使用原声则不行。他建议：“如果你是要真正做短剧的话，我建议还是用真人配音”，目前 S 级漫剧的普遍做法是前 10 集用真人配音，后面 20～60 集用真人音色克隆来降低成本。

TTS 工具（liblibu 的 ComfyUI 工作流）：沐己推荐了 liblibu 平台上的 ComfyUI 音色克隆工作流，学员可在课件中下载工作流文件直接导入。操作步骤为：上传音色文件 → 试听 → 将想要输出的文本复制到指定位置 → 调整情绪参数（有 happy、angry、sad、fear、hate、low、surprise、natural 八个维度，数值 0～1，0 代表无倾向，数值越高情绪越强）→ 点击开始生图。该工具免费，且音频对算力需求不高，但情绪值调试比较麻烦，需要耐心。沐己建议调好后把情绪参数复制保存到文档里备用，免得下次忘记。

海螺（MiniMax）：海螺是沐己常用的工具，虽然付费但方便，除了配音还能进行音乐创作。国内版不能克隆音色，需要自己设计音色；国外版可以克隆。新注册用户有 1 万积分，约可输出 11,000 字文本的声音，对应约 5 分钟时长，适合前期上手。海螺的局限是只能生成歌曲，不能生成纯音乐，用剪映去人声可以得到纯音乐，但效果不如真正的纯音乐。

BGM 与音效：一场戏一段音乐，AI 音效够用

▶ 1:07:20 · 看这一节

BGM 的选择与生成：沐己强调，BGM 设计来源于对剧情的理解，而不是随便生成。他以自己的项目为例：第一场戏男主在鸿威宝殿俯视弟子，需要磅礴大气的音乐；第二场戏男主发现师尊签了封神榜、截教将覆灭，整个人是懵的，需要情绪急迫的音乐。

对于不知道如何配乐的初学者，沐己给出了一个简单方法：把剧情发给豆包，请它分析剧情内容并设计合适的背景音乐提示词，然后把提示词发给苏诺 V5 的灵感模式进行创作。他建议“一场戏用一段 BGM”，如果一场戏中有情节转折或突发事件，BGM 也要相应变化。衔接方式可以用剪映的转场，也可以用关键音效。

音效的获取：沐己直言，目前单独的音效设计工具还不完善，可灵的音效设计功能虽然齐全，但生成效果“特别的拉胯”。现在音效主要来自自己的音效库或 AI 音效，AI 音效能满足 70%～80% 的需求，音乐库里的纯音乐能满足 60%～70% 的需求。他推荐使用剪映音效库或网上音效库，但不建议购买网上动辄几百 G 的音效库——“你真的要从网上买的音效库里面找到你想要的音效，实在是太难了”。

剪映、豆包、即梦等工具都有根据视频配音效的功能，沐己实测大部分情况下可用。他提醒，漫剧本质上就是“电子榨菜”，“它不追求非常严谨的内容，也不追求这种高精的制作，更吃的是剧本、爽点的呈现和音乐的渲染，爽就完了”。

现场问答

▶ 2:50:01 · 看这一节

不同平台用同一张图片生成的视频，帧率、分辨率、画幅比不一样，能剪到一块吗？

大鹏：基本上都有 1080P，如果你有会员的话，每个平台都能选到 1080P。都选 1080P 放在一起基本没问题，但要注意画幅比可能有细微差异，有的宽少 1%，有的高少 2%，需要调一下。切镜过场时，如果两个镜头很近，转那一下要加个转场特效，不然容易出问题。最麻烦的是色差，不同平台出的镜头放在一起颜色会跳。最好用同一平台出片，如果混用，有能力就调色（用达芬奇或剪映都行），其次是加滤镜统一颜色，再不行就加转场特效（叠化、运镜类转场比较常用，别太夸张）。但调色太难，大家尽量别调，用转场和滤镜解决就好。

要点回顾

• 漫剧音频主动引导叙事，是核心因素；真人剧音频被动烘托氛围，处于辅助角色。两者在音乐、音效、配音三个板块的风格和密度上都有根本差异。
• 音频工作应前置：在生图阶段就开始制作配音和 BGM，拿到视频素材前完成音频主体，用音频节奏来定视觉节奏，避免陷入视觉陷阱。
• 配音工具三选一：剪映音色克隆最方便，但需为每个角色准备 3～4 个不同情绪的克隆片段；liblibu 的 ComfyUI TTS 工作流免费且可调情绪参数（0～1），但调试需要耐心；海螺付费但方便，新用户 1 万积分约可输出 5 分钟音频，国内版不能克隆音色。
• BGM 生成：把剧情发给豆包分析并设计提示词，再用苏诺 V5 灵感模式创作。一场戏用一段 BGM，情节转折时更换，用剪映转场或关键音效衔接。
• 音效获取：AI 音效能满足 70%～80% 的需求，剪映、豆包、即梦的根据视频配音效功能大部分可用。不建议购买几百 G 的音效库，查找太麻烦。
• 行业参考：漫剧行业标准约为一人一天一集（2 分钟），一卡通常 10 集；接单报价 500 元/分钟若能保证质量，就能在市场上具备竞争力。