描述該寫多細？

材質、環境、力度這三樣最影響結果。「腳步聲」太寬泛；「木地板上的皮鞋腳步聲，室內，走得不快」就具體多了。聲音的差別往往就在材質上 —— 同一個動作在木頭、金屬、地毯上完全是三種聲音，值得寫出來。

和音樂生成有什麼區別？

音效是沒有旋律的聲音 —— 腳步、雨、機械、環境。音樂是有旋律和節奏的曲子。如果你要的是「鋪在片子下面的情緒」，那是音樂生成；如果要的是「畫面裡那個動作應該發出的聲音」，就是這裡。

要清晰的台詞用文字轉語音，那是專門做人聲的。這裡適合的是人聲的「環境」部分 —— 比如遠處的人群嘈雜、聽不清內容的交談背景，這類作為氛圍的一部分。

送進畫布，把音效放到對應的時間點上。如果你想讓系統讀畫面自動生成匹配的聲音，用影片音效 —— 它分析你的影片再生成，適合整條片子一次配齊。

找音效的經驗通常是這樣：翻素材庫，搜「腳步」，出來幾百條，一條條試聽，找到接近的但材質不對，退而求其次用了。或者更糟 —— 要的那個聲音庫裡根本沒有。

AI 音效生成換了個思路：直接說出你要的聲音。「木地板上的皮鞋腳步聲」「遠處的雷聲，悶」「金屬門吱呀打開」—— 描述出來，幾秒鐘拿到音訊。庫裡沒有的組合也能有。

音效提示詞裡最值錢的資訊是材質。同一個動作在木頭、金屬、地毯上完全是三種聲音，模型也是靠這個來判斷的。

所以「腳步聲」和「木地板上的皮鞋腳步聲，室內，走得不快」的差距很大。再加上環境（室內還是空曠）和力度（輕還是重），基本一次就能拿到能用的。

另一個要說清的是一次性還是循環。關門是一聲，雨聲是一段。需要鋪在整段畫面下面的環境底噪，就要可循環的那種，不然接縫會很明顯。

這一頁出的是沒有旋律的聲音。有幾件事有更合適的入口：

音效是最容易被忽略、但對成片質感影響最大的一層。同一段畫面加不加環境聲，觀感差別很明顯 —— 沒有聲音的畫面會顯得「空」，哪怕畫質很好。

實用的做法是分兩層：先鋪一段可循環的環境底噪撐住整段，再給畫面裡幾個明顯的動作各配一聲。兩層加起來通常就夠了，不需要給每個細節都配音。