捷運上聽到自己混音「悶炸」才懂：短影音旁白跟 Podcast 開場白，根本不是同一行
上週二深夜，我在捷運上想把手機砸了
具體一點說：週二晚上十點半，趕一個露營裝備帳號的 45 秒 Reels 旁白。念完、壓 BGM、匯出、上傳，流程順得很。隔早搭捷運上班，戴上降噪耳機一聽——人聲像被塞進棉被裡，悶到我當場想跳車。
同一天下午，錄自己 Podcast 第 37 集開場白。同一套設備、同一支麥克風、同一首音樂。結果反過來了：人聲尖得像站在耳朵邊大吼，音樂飄在後面，像兩個不認識的人被硬湊進合照。
都是「人聲 + 背景音樂」，怎麼一個悶一個炸？後來想通了，這倆根本不是同一項工作。
短影音旁白：人聲得「貼」在音樂上面
短影音的旁白，本質上是資訊流裡的鉤子。觀眾手指還在往上滑，你只有 3 秒。所以人聲必須靠前、清晰、有顆粒感，音樂是墊在下面的地毯，不是牆。
難點在哪？短影音播放環境太爛了。捷運、外放、耳機漏音、手機小喇叭……你的混音得在這些條件下都還聽得清字。這代表人聲 2k~5k 頻段要稍微頂一點，音樂的中頻得給它讓路。
我自己的土法子：音樂先降 12~15dB，再做一次側鏈壓縮。人聲一出來音樂自動往下躲 3~4dB，人聲停了再回來。聽起來高級，其實就是讓音樂「識相」。
還有個坑——平台會二次壓縮你的音訊。電腦上聽著剛好的低頻，上傳後會糊成一團。所以我現在習慣把 100Hz 以下直接切掉，寧可薄一點，也別糊。旁白本身如果不想自己念，用 免費聲音克隆 生成一條音色穩定的乾聲，比反覆重錄省事多了，這後面細說。
Podcast 開場白：人聲得「站」在音樂裡面
Podcast 開場白完全是另一套邏輯。
它不是鉤子，是儀式感。聽眾點進來，是想進入一個氛圍。所以音樂通常不是墊底，而是先單獨出現 5~8 秒，然後人聲從音樂裡「長」出來——注意，是長出來，不是蓋上去。
這裡的難點是銜接。人聲進來的那瞬間，音樂要往下讓，但不能讓得太突兀，否則像有人突然把音量鈕拧了一下。我習慣在人聲進來前 0.5 秒給音樂做一個 2~3dB 的緩降，配合一點點混響尾巴，聽感上就順了。
另一個難點：Podcast 聽眾戴耳機比例高得多。耳機裡，任何瑕疵都會被放大。齒音、口水音、房間反射……短影音裡聽不出來的東西，Podcast 裡全暴露。所以 Podcast 的人聲處理反而更「素」：輕壓縮、輕 EQ、混響給一點點就夠。你要的是「一個人坐在你對面說話」，不是「主播在演播廳裡播報」。
我用的土辦法：三步把兩條軌掰開
說了這麼多，落到操作其實沒那麼玄。我現在固定三步走：
- 先單獨聽人聲，把所有問題解決掉——雜訊、齒音、音量起伏，一個都別留到混音階段再救；
- 再單獨聽音樂，想清楚它是地毯還是舞台，這決定了它的音量基準；
- 最後合起來，用側鏈或者手動畫音量包絡，讓人聲說話的時候音樂閉嘴。
這三步看起來像廢話，但真的，我見過九成的混音翻車，都是因為有人跳過了第一步。
工具這塊，講點實在的
以前我幫客戶做配音，流程是：寫稿、找人錄、等兩天、收到一條帶底噪的乾聲、自己修。現在大部分情況我直接用 線上文字轉語音 生成，稿子改一個字，重出一遍，十秒鐘的事。
這個站我用了一陣子，幾個點蠻對我胃口：免註冊，打開就能用；聲音克隆那塊上傳一小段參考音訊就能出相似音色，做系列內容的時候音色能保持一致——這點對短影音帳號特別重要，觀眾是靠聲音認人的。
它是免費聲音克隆，也是永久免費聲音克隆，不搞那種「前三次免費後面充會員」的套路。免費TTS聲音合成、免費文字轉語音這些基礎功能在首頁直接能用，AI聲音克隆線上跑，不用裝什麼聲音克隆軟體免費版還得先看廣告。做 Podcast 片頭那種需要穩定音色的場景，真人語音合成免費這條其實蠻關鍵——你總不能讓開場白每集音色都不一樣吧。
順便一提，線上免費聲音克隆跟免費AI配音這兩件事，它是一套東西：同一段參考音訊，你既可以拿來讀短影音文案，也可以拿來念 Podcast 開場白，只是後製處理的路子不一樣。需要批量的話它還有免費語音合成API、無限制文字轉語音，這個我沒深用，但看說明是給開發者的。免註冊聲音合成、免註冊聲音線上克隆這兩點，對只是想快速試一下的人來說，門檻確實低。更多玩法可以翻 更多教學。
一個具體場景：幫朋友烘焙帳號做 60 秒開場
上週朋友開烘焙帳號，讓我幫她做一條 60 秒的開場短影音。
腳本是她自己寫的，很樸素：介紹自己、介紹這個號要幹嘛、結尾一句「追蹤我，一起把麵包烤焦」。
我做的事其實只有三件：用克隆出來的音色把旁白生成好（她本人不願意出鏡，但願意出聲音，上傳了 30 秒 LINE 語音當參考）；找了一段 90BPM 的輕鋼琴，切掉低頻，降到 -14dB；然後在她每一句話的間隙手動把音樂提回來 2dB。
匯出、手機外放聽一遍、耳機聽一遍、捷運上再聽一遍。
她發出去第二天，留言區第一條是：「這聲音好舒服，是妳本人嗎？」
——看吧，混音這件事，做對了沒人誇你，做錯了所有人都在罵你。
那如果換成妳，同樣一段 60 秒的音訊，妳會先把時間花在人聲上，還是花在音樂上？