用 Python 写出 120 BPM 的配乐?guizang-product-video-skill 代码合成原创音乐与音效对位完整指南

原创2026-10-25 09:30:471,935 阅读

用 Python 写出 120 BPM 的配乐?guizang-product-video-skill 代码合成原创音乐与音效对位完整指南

guizang-product-video-skill 是一个让 AI 帮你做软件宣传片的开源技能:整理卖点、接入真实组件、编排动画之外,还能用 Python 代码直接合成原创配乐和音效,并完成音画对位与混音。本文带你拆解这套"代码写音乐"的完整做法,从 120 BPM 的示例配乐到让音效"听得见"的对位技巧,新手也能看懂。

guizang-product-video-skill 项目封面:软件更新了,宣传片呢

为什么配乐要靠 Python 代码写?

做产品宣传片时,音乐通常有三条来路,skill 按顺序选择(详见 audio-sourcing.md):

顺序 来源 说明
1 你提供的曲子 按它的实际节拍重新对齐画面切点
2 本机可用的音乐生成模型 权重必须真的在本地、能跑起来才算可用
3 代码原创合成(默认兜底) 为这支片子写一段合成脚本,保留源码和固定随机种子,重新运行能得到同一首曲子

代码合成的最大优点是可复现、可追溯:调性、速度、段落边界都写死在脚本里,改片长或速度时所有段落时间一起改。仓库里的两个示例都强调"借手法,不照搬曲子"——它们只是两种气质的改编参考,真正的配乐要按新片的分镜重新推导。

guizang-product-video-skill 默认样式技术样片:直接接入产品里的组件

两个示例配乐:同一拍速,两种气质

仓库 assets/audio/ 自带两套完整配乐脚本,都是 120 BPM,气质却完全不同:

  • score-example-keys.py:D 大调、48 秒,明亮的键盘和弦、短音旋律和轻鼓,走"轻快友好"路线。只依赖 Python 标准库 + FFmpeg,把立体声波形直接写进 WAV 文件。
  • score-example-cinematic.py:F 小调、50 秒,supersaw 铺底、pluck 琶音、侧链鼓组、上升音、冲击和卷积混响,是"冷静高端"的电影感电子。需要 numpy/scipy/soundfile,装在视频工程自己的虚拟环境里即可。

两者的段落时间都不是随便拍的,而是逐段对着分镜写的。以 cinematic 版为例:0–4 秒用持续低音和上升音做悬念钩子,4 秒品牌冲击点进鼓组,14 / 24 / 34 秒对应三章章节切换,每章留 1.5 秒"呼吸",41–44.5 秒蒙太奇加速,44.5 秒后和声收束。配乐与画面章节一一对应,这就是"代码配乐"的核心思路:先有镜头表,再写音乐。

没有采样库,声音从哪里来?

cinematic 示例里没有使用任何外部采样:底鼓靠音高下滑的正弦波,拍手和踩镲用带通滤波的噪声,铃音是带相位调制的泛音列,混响是一条 2.8 秒的噪声脉冲响应做卷积。换句话说,波形、噪声、包络、音符编排四件套就能拼出一首完整配乐。

11 个内置音效:缺什么补什么

动作音效的查找顺序是:用户素材库 → 本机录音素材库 → 素材站 → 内置兜底。内置音效在 assets/audio/sfx/,共 11 个原创 WAV(click、click-alt、pop、toggle、typing、ding-dong、success、error、resolve、whoosh、sweep),全部由 make_sfx.py 程序化生成,48 kHz 单声道 16-bit,没有任何第三方录音:

  • 点击、弹出类声音用带衰减包络的"钟形"谐波合成;
  • ding-dong 是 1046.5 Hz → 783.99 Hz 的双音,专门留给通知和完成反馈;
  • whoosh、sweep 用滤波噪声加包络塑形,负责转场和空间感。

只复制缺的那一类即可;想换音色时改参数后输出到新目录,不要覆盖原素材。

配乐、动作音效与音乐让位:guizang-product-video-skill 声音时间轴示意

对位:让声音真的落在动作上

"写了音效"和"听得见音效"是两回事。skill 的做法分三步(详见 audio-and-qa.md):

  1. 实测落点。 用 sfx_landmarks.py 测量每个音效文件的起音点、峰值时间和峰值电平: python3 <skill-dir>/scripts/sfx_landmarks.py assets/sfx/*
  2. 按类型对齐。 点击、按键、弹出用起音点对齐画面动作;whoosh、冲击、上升音用峰值对齐切点,且声音要比画面先开始。换算关系是 cue.at + syncOffset = shot.start + action.at,听觉落点与动作一般控制在 1 帧内。
  3. 增益按实测电平设。 内置音效峰值约 −20 dBFS,录音素材接近 0 dBFS——同样的 gain,前者会被配乐盖住。目标只有一个:音效出现那一刻的峰值,不低于压低后的配乐峰值。

对位时也要克制:连续点击可用 click / click-alt 做轻微音色变化,输入声是有节奏的短簇,转场音只留给真正的画面结构变化,叮咚保留给值得注意的状态。不要"每个字出现都叮一下"。

混音与音乐让位:一条命令

把音乐和 cue 写进 plan.json 后,混音交给 mix_audio.py:

python3 <skill-dir>/scripts/mix_audio.py plan.json

它会输出 sfx-stem.wav、music-ducked.wav、master.wav 和证据报告,并默认开启 ducking(音乐让位):每个音效按类型有预设压低深度和包络——轻点击约 3 dB、转场约 4 dB、完成/通知约 5–6 dB;多个音效重叠时取当前最深的压低,不会把衰减层层相乘成静音。这样"叮咚、确认和转场"才真正听得见,而不是整首曲子一起变小。

混完再听三遍:先单独听音效轨确认关键事件都在,再听 master 确认没被配乐淹没,最后听导出后的 MP4 确认剪辑没有漏掉。交付前还可用 check_delivery.py 做结构与时间线检查。

写在最后

这套流程的价值不在"用 Python 造了一首歌",而在声音成为可维护的工程产物:配乐有源码、音效有来源记录、每个落点可实测、让位包络可复现。当你需要把某一章剪短 3 秒或给通知换一个更清楚的叮咚声时,改参数、重跑脚本、重新混音即可,而不必推倒重来。

登录后查看全文
guizang-product-video-skill