描述该写多细？

材质、环境、力度这三样最影响结果。「脚步声」太宽泛；「木地板上的皮鞋脚步声，室内，走得不快」就具体多了。声音的差别往往就在材质上 —— 同一个动作在木头、金属、地毯上完全是三种声音，值得写出来。

和音乐生成有什么区别？

音效是没有旋律的声音 —— 脚步、雨、机械、环境。音乐是有旋律和节奏的曲子。如果你要的是「铺在片子下面的情绪」，那是音乐生成；如果要的是「画面里那个动作应该发出的声音」，就是这里。

要清晰的台词用文字转语音，那是专门做人声的。这里适合的是人声的「环境」部分 —— 比如远处的人群嘈杂、听不清内容的交谈背景，这类作为氛围的一部分。

送进画布，把音效放到对应的时间点上。如果你想让系统读画面自动生成匹配的声音，用视频音效 —— 它分析你的视频再生成，适合整条片子一次配齐。

找音效的经验通常是这样：翻素材库，搜「脚步」，出来几百条，一条条试听，找到接近的但材质不对，退而求其次用了。或者更糟 —— 要的那个声音库里根本没有。

AI 音效生成换了个思路：直接说出你要的声音。「木地板上的皮鞋脚步声」「远处的雷声，闷」「金属门吱呀打开」—— 描述出来，几秒钟拿到音频。库里没有的组合也能有。

音效提示词里最值钱的信息是材质。同一个动作在木头、金属、地毯上完全是三种声音，模型也是靠这个来判断的。

所以「脚步声」和「木地板上的皮鞋脚步声，室内，走得不快」的差距很大。再加上环境（室内还是空旷）和力度（轻还是重），基本一次就能拿到能用的。

另一个要说清的是一次性还是循环。关门是一声，雨声是一段。需要铺在整段画面下面的环境底噪，就要可循环的那种，不然接缝会很明显。

这一页出的是没有旋律的声音。有几件事有更合适的入口：

音效是最容易被忽略、但对成片质感影响最大的一层。同一段画面加不加环境声，观感差别很明显 —— 没有声音的画面会显得「空」，哪怕画质很好。

实用的做法是分两层：先铺一段可循环的环境底噪撑住整段，再给画面里几个明显的动作各配一声。两层加起来通常就够了，不需要给每个细节都配音。