AI 影片的感染力藏在聲音裡：配音、音效、配樂分三層處理

AI影片畫面做得漂亮，觀眾卻沒有被故事打動，我會先回頭檢查聲音。很多人做 AI 影片配音、配樂時，是等畫面全部生完，最後隨手丟一段 AI 語音、套一首免費音樂就輸出，結果畫面很精緻，看完卻沒有感覺。

我習慣把聲音分成三層處理：人物口白、環境聲和音效、配樂。三層各有各的工作，做法和要注意的授權也不一樣。

AI 影片的聲音設計是什麼？畫面之外的另一半

AI 影片的聲音設計是把人物口白、環境聲與音效、配樂三層聲音分開規劃，再混成一條音軌的工作。口白負責把內容說清楚，音效讓觀眾覺得自己在現場，配樂帶著觀眾進入你想傳達的情緒。

三層搭得起來，觀眾比較容易專注在故事，也比較不會一直盯著 AI 動態的小瑕疵。手指多一根、背景物件晃了一下，在有聲音帶著走的時候，注意力會被故事拉走；在一片安靜或只有罐頭音樂的時候，這些瑕疵就特別明顯。

所以畫面不滿意時，我不會第一時間回去重新生成。AI 影片一直抽卡燒錢的問題，常常出在把所有感染力都押在畫面上，聲音只當最後的配件。

第一層 人物口白：AI 配音先求把話說清楚

口白的任務只有一個：讓觀眾聽懂你要說什麼。聲音好不好聽是其次，咬字清楚、斷句自然、語氣對得上畫面，比挑一個華麗的聲線重要。

01　稿子先定，再進配音

口白問題很多是稿子的問題。句子太長、書面語太多，AI 唸起來就像在讀公文。配音前先把稿子唸過一遍，唸起來卡的地方就改短。短影音的口白結構可以參考30 秒短影音腳本的四件事，稿子定了，配音只是執行。

02　選對做法：後製配音或影片模型原生對白

AI 配音現在大致有兩條路：

• 後製配音：用文字轉語音（TTS）工具把稿子轉成語音，再放進剪輯軟體對畫面。好處是可以逐句修改、換聲音、調速度，適合旁白型的商用影片。
• 影片模型原生對白：部分影片生成模型可以連同畫面一起生成對白。Google DeepMind 官方介紹 Veo 3 可以原生生成音效、環境聲，甚至對白。好處是嘴型和聲音同步，適合角色開口說話的劇情片段；缺點是要改一句台詞，通常得重新生成那一段。

挑 TTS 聲音時，標示「中文」不代表就是台灣口音。實際把同一段稿子放進幾個聲音裡試聽，選最像你品牌會說話的那一個，比看介紹頁準。

03　用真人的聲音，先拿到本人同意

想用老闆、講師或代言人的聲音做 AI 配音，一定要先取得本人同意，最好是書面，寫清楚用在哪些影片、用多久。工具端也有限制，以 ElevenLabs 為例，官方說明寫明專業級聲音複製只能複製自己的聲音，而且要通過驗證。聲音和肖像授權的完整風險，我在用 AI 分身經營自媒體那篇有整理。

第二層 環境聲和音效：讓觀眾感覺自己就在現場

環境聲和音效是最常被跳過的一層，也是讓 AI 影片從「好看的動態圖」變成「一個場景」的關鍵。咖啡店有杯盤碰撞和低聲交談，雨天有雨打在窗上的聲音，角色轉身有衣服摩擦聲。觀眾不一定會注意到這些聲音，但少了它們，畫面會顯得空。

01　分清楚環境聲和音效

• 環境聲：整個場景一直存在的背景聲，例如街道車流、室內冷氣聲、海浪。它鋪在最底層，讓每個鏡頭有空間感。
• 音效：跟著畫面動作出現的單一聲音，例如開門、倒水、腳步、按下按鈕。它要對準畫面的那一格。

02　三種常見來源

• 影片模型原生音訊：生成畫面時就在提示詞寫進聲音描述，讓模型一起生成。省事，但每一段的音質和音量不一定一致，接起來可能會跳。
• 音效庫：剪輯軟體內建或授權音效庫，找現成的環境聲和音效放進時間軸。可控性最高，記得確認授權範圍。
• AI 音效生成：用文字描述生成音效。ElevenLabs 的官方文件建議，複雜的聲音要照事件發生的順序描述，例如先寫腳步踩在碎石上，再寫金屬門打開。

不管用哪一種，描述聲音時寫清楚「地點、材質、動作、距離」四件事，結果會穩定很多。以下是我整理的範本，可以放進影片生成的提示詞裡，也可以單獨給 AI 音效工具。

範本裡的「不要音樂」是刻意的。音效和配樂分開生成、分開放軌，後面混音時才調得動。

第三層 配樂：帶觀眾進入你想傳達的情緒

配樂的工作是決定觀眾「用什麼心情看這支片」。同一段畫面，配上輕快的木吉他和配上緩慢的鋼琴，觀眾讀到的故事會完全不同。所以選配樂之前，先用一句話寫下這支影片要讓觀眾有什麼感覺，再去找音樂，不要反過來。

01　授權音樂庫或 AI 音樂工具

配樂來源常見兩種：一是授權音樂庫，挑現成的曲子；二是 AI 音樂工具，用文字描述生成一首。授權音樂庫選擇多、品質穩；AI 音樂的好處是可以照影片長度和情緒客製，不怕跟別人撞歌。兩種都要先看授權條款，下一段會講。

02　寫給 AI 音樂工具的配樂提示詞

商用影片的配樂通常不需要人聲，提示詞要寫明「純音樂」，再交代情緒、樂器、速度和段落變化。段落變化很重要，影片有起伏，配樂也要在對的地方起來或收掉。

配樂放進影片後，音量要退到口白後面。有口白的段落把配樂壓低，口白停下來的空檔再讓音樂浮上來，觀眾不會覺得吵，情緒也接得上。

三層聲音檢查表：輸出前逐項對過一遍

三層聲音分開做完，最後要放在一起聽。這一步最容易被省略，但商用影片的完成度常常差在這裡。輸出前可以戴耳機從頭聽一次，再用手機喇叭聽一次，照下面這張表逐項對過。

「靜音觀看」那一項看起來跟聲音無關，但在社群上很多人是滑過去不開聲音的。聲音負責讓有開聲音的人被打動，字幕負責讓沒開聲音的人也看得懂，這部分可以搭配AI 廣告開場前三秒的做法一起看。

商用前要確認的三件事：音樂授權、聲音同意、AI 標示

做給品牌的影片，聲音的授權問題要在發布前處理完。三層裡每一層都可能踩到，我把最常見的情況整理在這裡，實際條款以各工具與平台的最新說明為準。

01　音樂與音效：看清楚方案和授權範圍

AI 音樂工具的免費方案和付費方案，商用權利常常不同。以 Suno 為例，官方說明寫明免費方案生成的歌曲所有權屬於 Suno，只能非商業使用；付費方案生成的歌曲才由使用者擁有並可商用。YouTube 音效庫裡標示創用 CC 授權的音樂，則需要在影片說明欄標註創作者。每一首音樂、每一段音效，都留一份來源和授權紀錄，客戶問起來才答得出來。

02　真人聲音：本人同意是前提

複製或模仿任何真人的聲音，都要有本人同意。這不只是工具規定，也牽涉當事人的人格權。品牌最常見的情況是用老闆或講師的聲音做 AI 配音，同意書寫清楚使用範圍和期限，日後合作結束時也比較好處理。

03　平台標示：寫實的 AI 聲音和畫面要揭露

YouTube 的說明中心要求創作者揭露看起來寫實的 AI 生成或修改內容，包括讓真人看起來說了沒說過的話、以 AI 生成作為影片主體的音樂；用自己的聲音複製來配旁白，則列在不需要揭露的範圍。Meta 也要求在 Facebook、Instagram 發布含有寫實影片或擬真聲音的數位生成內容時，使用平台的 AI 標示工具。規則會隨時調整，發布前到平台說明頁確認一次最保險。

常見問題

結論：畫面之外，聲音也要一起完成

AI 影片的感染力，很大一部分藏在聲音裡。口白把內容說清楚，環境聲和音效讓觀眾覺得自己在現場，配樂帶著觀眾進入你想傳達的情緒，三層搭起來，觀眾會跟著故事走，而不是盯著 AI 的小瑕疵。所以做商用影片，或想用 AI 說故事，我會多留時間處理口白、音效和配樂。

下次影片做完覺得少了什麼，先別急著重新生成畫面，把聲音關掉再打開，答案常常就在那裡。

想親手做出一支聲音和畫面都完整的 AI 短影音

這篇講的口白、音效和配樂三層處理，是課堂上做完畫面之後會實際動手的一段，配樂製作也在課程流程裡。

我把這套流程整理成AI短影音即戰班：一堂 4 小時的實體工作坊，從品牌溝通、腳本撰寫、畫面生成、影片生成、配樂製作到剪輯組裝，帶你當場完成一支品牌可以發布的 AI 短影音。

適合想用 AI 短影音經營品牌的品牌主、小編與行銷人。課堂最後會用自己習慣的剪輯軟體組裝成片，需要具備基本剪輯操作能力。開課時間與課程內容以課程頁為準。

關於作者

紀澄 Abby Chi AI 商業影音講師 / 社群營運顧問 雲時代數位有限公司執行長，16 年品牌行銷實戰經驗。顧問專業領域涵蓋 AI 營運系統應用、品牌年度行銷策略、AI 商業廣告、Meta 社群營運策略、個人品牌經營。提供一對一諮詢服務，歡迎聯絡。 帶領團隊榮獲 行銷傳播傑出貢獻獎金獎、廣告流行語金句獎 4 座。 預約諮詢