后续系列视频统一用这套背景音乐。本文记录规则本身(入库、可评审),
音乐成品留本机(music/tracks/,不入库),授权台账入库(music/library.json)。
配套:
pipeline/pyv/bgm.py把本文 §4、§7 的判据做成可执行的检查,python -m pyv.cli bgm check --music <文件>能直接判一条曲子合不合格。
本文与bgm.py的规则编号必须一一对应,由pipeline/tests/test_bgm.py盯着。
一、为什么要有这份规范
问题不是「没有 BGM」,是没有 BGM 的规矩,而没有规矩的 BGM 一定出这三类事故:
- 响度不可移植。 曲库母带的响度差能到 10 dB 以上(实测存量两条 AI 配乐
分别是 -8.8 LUFS 与 -13.1 LUFS,差 4.3 dB;曲库同跨度是常态)。
而流水线现在用的是固定 dB 增益(compose.py的DEFAULT_BGM_GAIN_DB = -18),
固定增益叠在忽高忽低的母版上,换一首曲子就得重新调音量——
这不是调音问题,是规则错了:应该按目标响度归一化,再按固定增益混。 - 授权没人管。 免版权不等于没有条件:CC-BY 要署名、Pixabay 有自己的
Content License。曲子下到本机没人记,半年后根本说不清哪首能发。
授权台账必须入库,这是事实,不是产物。 - BGM 抢旁白。 音乐和旁白挤在同一段频谱里(1~4 kHz 是语音清晰度区),
不做避让,旁白听着就发闷——这不是音量问题,是频谱问题。
二、获取规则
2.1 来源与授权白名单
只从允许商用的免版权曲库取,授权类型限以下几种(bgm.ALLOWED_LICENSES):
| 授权 | 署名要求 | 说明 |
|---|---|---|
CC0-1.0 |
无 | 最省事的一档,优先选 |
Public Domain |
无 | 同上 |
CC-BY-4.0 / CC-BY-3.0 |
必须署名 | 署名串逐字写进台账,出片时带到简介 |
Pixabay Content License |
无 | 站点自有协议,不是 CC |
YouTube Audio Library |
无 | 平台曲库 |
不在白名单里的授权一律不用,包括「非商用」「仅个人使用」「CC-BY-NC」「CC-BY-SA」
(SA 的传染性会让成片素材没法再分发)。
2.2 下载与入库流程
曲库页面 ──▶ 下载原曲 ──▶ 转规格(48k / 立体声 / wav)
│
▼
响度归一化到 -20 LUFS
│
▼
登记台账(music/library.json)
+ 算 sha256 指纹 + 写授权信息
│
▼
落本机 music/tracks/(不入库)
- 音频不入库,台账入库。跟仓库既有原则一致:入库的是事实,不入库的是产物。
- 每首曲子必须留 sha256 指纹。指纹对不上说明文件被动过(换源、重新转码),
授权记录也就不可信了——bgm.check_library会验这一条。 - 台账里的
local_path一律相对aiv/写,换机器不用改。
台账字段(music/library.json):
| 字段 | 必填 | 说明 |
|---|---|---|
id |
✓ | 稳定标识,台账内唯一 |
title / artist |
✓ | 曲名与作者 |
source / source_url |
✓ | 来源站点与原始页面地址 |
license |
✓ | 必须在 §2.1 白名单里 |
attribution_required |
✓ | 是否需要署名 |
attribution_text |
署名时必填 | 逐字的署名串 |
series_role |
✓ | motif / bed / sting(见 §6) |
local_path |
✓ | 相对 aiv/ 的路径 |
sha256 |
✓ | 文件指纹 |
duration_s / bpm |
实测值与手工标注 | |
downloaded_at / notes |
下载日期与备注 |
2.3 下载脚本
music/scripts/fetch_music.py 按台账下载并校验:
cd aiv/music
python3 scripts/fetch_music.py --id <台账里的 id>
python3 scripts/fetch_music.py --all
它只做四件事:下载 → 转规格 → 响度归一化 → 校验 sha256 并落盘。
台账里没有的曲子不会被下载——授权信息是人工确认过的,脚本不替你判断。
2.4 当前曲库
台账里有 2 首,都是 CC0-1.0(免署名):
| id | 曲名 | 艺人 | 角色 | 时长 | 实测特征 |
|---|---|---|---|---|---|
series-motif-01 |
The Deep End | Ocoeur | motif |
291.0 s | 重心 113 Hz、1~4 kHz 0.7%、低频 15.3% |
series-bed-01 |
Subdued | Jason Van Wyk | bed |
209.2 s | 重心 225 Hz、1~4 kHz 2.3%、低频 31.7% |
两首都过了 §4 的全部硬阈值,也都过了 §3.1 的人工清单。
选曲过程值得记一笔:机器判据只是门槛,风格仍要靠人听。
- 候选是 12 轨(从 archive.org 的 251 轨候选里按体积分层挑的),
其中 2 轨没过机器判据:HarvyWorm2的 1~4 kHz 占到 38.9%(超 30%),The Messenger真峰值 -2.8 dBTP(超 -3.0)。 - 机器判据不该牵着选曲走:自动评分偏好「几乎没有低频」的曲子,
而 §3.1 第 4 条要求低频是律动。所以最终是按人工清单挑的,
再用机器判据确认它合格——不是反过来。 series-bed-01的低频占 31.7%,比series-motif-01的 15.3% 高一倍,
这正是铺底该有的厚度:铺底要「托着」,动机只要「点一下」。
三、风格标准:深蓝电影感 ambient + 低频脉冲
「科技感」不是标签,是可听出来的东西。这个系列的调子定为:
暗色、有厚度、低频有律动但不轰,中频留给旁白。
3.1 人工审核清单(机器判不了的部分)
选曲时逐条过:
| # | 判据 | 怎么听 |
|---|---|---|
| 1 | 纯器乐 | 有人声 / 拟声 / 采样人声的一律不要 |
| 2 | 不要 corporate uplifting | 那种「励志广告」的钢琴弦乐,跟深藏蓝的视觉打架 |
| 3 | 不要 drop 与爆点 | 代码演示画面的节奏由讲解决定,BGM 再抢一次就乱了 |
| 4 | 低频是律动不是鼓点 | 有持续的低频脉冲,但不能有打点的 kick |
| 5 | 暗色 | 高频不亮、不炫技;亮音乐会像广告而不是像技术内容 |
| 6 | 能连续听 3 分钟不累 | 系列视频不是 3 秒片头,是 30 秒以上的正片 |
3.2 风格与视觉的对应
| 视觉 | 音乐 |
|---|---|
深藏蓝 #2B4C7E 主色 |
暗色、低频厚、不刺眼的音色 |
琥珀黄 #F5A623 强调色 |
偶尔一点亮色(比如一条合成器的泛音) |
| 代码画面的规律推进 | 低频脉冲提供稳定的推进感,不抢画面 |
| 克制的工程师气质 | 不炫技的编排,留白比满编好 |
四、技术规格(可机检)
一条曲子进管线前必须满足(bgm.check_track):
| 编号 | 判据 | 阈值 | 为什么 |
|---|---|---|---|
bgm.sample-rate |
采样率 | 48 kHz | 管线规格;44.1 kHz 要重采样,白丢一次 |
bgm.channels |
声道 | 立体声 | 单声道上混没有空间感,铺不出宽度 |
bgm.duration |
时长 | ≥ 目标视频时长 | 短了要循环,循环点找不到等于没有 |
bgm.true-peak |
真峰值 | ≤ -3.0 dBTP | 归一化后留足混音余量 |
bgm.voice-band |
1~4 kHz 能量占比 | ≤ 30% | 这一段是旁白的清晰度区 |
bgm.air-band |
>10 kHz 能量占比 | ≤ 10% | 刺耳 |
bgm.centroid |
频谱重心 | ≤ 2000 Hz | 亮音乐会像广告 |
4.1 响度归一化:入库时的硬要求
每首曲子入库时统一归一化到 -20 LUFS(bgm.MASTER_LUFS)。
这是整套规则的地基:母版响度被拉平之后,compose.py 里那个固定增益
才真正可用。存量两条 AI 配乐的母带响度差 4.3 dB,就是因为它们从来没过归一化。
ffmpeg -i 原曲.wav -af "loudnorm=I=-20:TP=-3.0:LRA=11" \
-ar 48000 -ac 2 -c:a pcm_s16le 归一化后.wav
但这一遍是不够的。 loudnorm 是两遍式算法:一遍先量出响度,
第二遍才按这个响度做线性增益。只跑一遍的话增益用的是第一遍的估计,
落不到目标上——实测三条曲子单遍分别落在 -18.5 / -19.1 / -18.7 LUFS,
离 -20 还差 1~1.5 dB。
差 1.5 dB 不是小数目:§5.1 的整条混音推导都是从 -20 算出来的,
母带偏 1.5 dB,成片的旁白/BGM 关系就偏 1.5 dB。
music/scripts/fetch_music.py 里跑的是两遍(第二遍用第一遍量出来的
measured 值做增益),实测三条曲子都精确落在 -20.0 LUFS。
4.2 阈值是怎么定的
不是拍的,是拿存量素材和合成信号量出来的:
| 实测对象 | 采样率 | LUFS | 真峰值 | 频谱重心 | 1~4 kHz |
|---|---|---|---|---|---|
| 存量 AI 配乐 A(片头) | 44.1 kHz | -8.8 | +1.5 dBTP | 605 Hz | 11.0% |
| 存量 AI 配乐 B(片尾) | 44.1 kHz | -13.1 | +0.1 dBTP | 641 Hz | 8.2% |
| 旁白(定稿音色合成) | 32 kHz 单声道 | -23.7 | -4.6 dBTP | — | — |
两条存量的频谱指标都合规(重心 600 多 Hz、14 kHz 只有 811%),
但采样率是 44.1 kHz、真峰值顶到 0 dBTP 以上——所以它们不能进正文 BGM 通道,
只用于品牌片(品牌片有自己的混音链路,见 §5.5)。
五、混音规则
5.1 目标电平的推导
混音最终要满足的是相对关系,不是绝对值:
旁白(定稿音色实测) -23.7 LUFS
BGM(归一化后 -20 LUFS) -20 LUFS
compose 基础增益 -15 dB → -35 LUFS
于是 BGM 比旁白低 11.3 dB,这是音乐铺底的常规区间(10~15 dB)。
旁白出现时再 duck 7 dB(§5.2),那一段共低 18.3 dB,旁白清晰度就有保证了;
句子之间的停顿处 BGM 回到 -35 LUFS,音乐能「呼吸」,这是固定增益做不到的。
但这个推导有个前提常被忽略:-20 LUFS 是整首曲子的平均,实际取用的只是其中一段。
正文区间只用母带的前 33 秒左右,而这一段不一定等于整曲的平均电平。
本期实测(series-bed-01 = Subdued):
| 对象 | LUFS |
|---|---|
| 母带整首(209 s) | -20.00 |
| 母带的正文段(前 33.156 s) | -22.90 |
| 通道链 + duck 之后(正文段) | -45.30 |
| 旁白 | -23.70 |
正文段比整曲安静 2.9 dB,所以实测的 duck 后电平是 -45.30 而不是推导的 -42,
旁白与 BGM 的实际差值是 21.6 dB(LUFS 口径),比设计目标 18.3 dB 更保守。
结论不变,但记下来:推导值是下界,实测值才是这一期的真实关系。
换曲子要重量一遍——母带的段落电平会变。
5.1.1 电平差有两个口径,别混着比
| 口径 | 怎么算 | 本期实测 |
|---|---|---|
| LUFS | ebur128 的整体响度,受门限影响 |
21.6 dB |
| RMS 同窗 | 同一批旁白活跃样本上,两边各算 RMS(dBFS) 再相减 | 23.4 dB |
两个口径不能直接比:LUFS 是 K 加权的门控响度,RMS 是纯幅度统计,
人声和暗色 ambient 的频谱分布不同,两者在两个口径下的偏移不一样。
规范里的设计目标 18.3 dB 是 LUFS 口径的;
§5.7 的机器判据用 RMS 同窗口径(实现简单、可复现、不过门限),
阈值取同一个数当保守下界——实测口径下也不许比设计目标更挤。
5.1.2 取用段落的电平差,已经入库检查了
上面的「重 量一遍」不该靠记性,所以做成了规则 bgm.take-level:
cd aiv/pipeline
python -m pyv.cli bgm check --music <母带> --duration <正文秒数>
它量的是取用段落相对整曲的响度差(LUFS 口径):
| 情况 | 含义 | 判定 |
|---|---|---|
| 取用段落更安静 | 推导偏保守,实际电平差比设计目标更宽 | 倾向类,只报数 |
| 取用段落更响 | 推导前提不成立——实际电平差比设计值小,可能压过旁白 | 硬约束,必须重新推导 |
上限取 0 dB:取用段落不得比整曲响。
实测(2026-11-12):
| 曲子 | 取用段落 | 相对整曲 |
|---|---|---|
series-bed-01(正文铺底) |
前 33.156 s | 安静 2.90 dB ✓ |
series-motif-01(品牌片头片尾) |
5.900~11.566 s | 安静 4.70 dB ✓ |
series-motif-01(旧口径的片头窗口) |
112.317~117.983 s | 响 1.30 dB ✗ |
最后一行顺带说明旧窗口选得也不对——它不只是「两段不相干」,
取用段落还比整曲响 1.3 dB,推导的电平差也会跟着偏。
品牌片的窗口由 bgm brand-check 一并检查(窗口 + 取用段落电平)。
5.2 ducking:为什么不用 sidechaincompress
ffmpeg 有 sidechaincompress,一行就能挂上。但实测下来它不能用来定规则:
标定用的是一段电平与真实旁白活跃段一致的合成语音(-25.7 dBFS RMS),
扫 threshold 从 -20 dB 到 -60 dB、ratio 4~20、detection rms/peak:
| threshold | 实测压深 |
|---|---|
| -30 dB | 3.3 dB |
| -36 dB | 3.9 dB |
| -48 dB | 4.1 dB |
| -60 dB | 4.2 dB |
压深在 4 dB 附近封顶,改参数基本没用。原因是压缩器的压深取决于
语音包络与 attack/release 的耦合:包络一抖,压缩器的增益也跟着抖,
同一组参数在不同的稿子上能差 2 dB 以上。自然语音里这种包络抖动是常态
(实测真实旁白只有 55%~65% 的时间高于 -45 dBFS,其余是词间空隙)。
规则要能被机器判定,深度就得是确定的数。所以改成自己算:
按旁白包络生成增益曲线,深度精确可控。
| 参数 | 值 | 实测 |
|---|---|---|
| duck 深度 | -7.0 dB | 持续旁白下实测 -6.89 dB(16 bit 量化与起落沿的误差) |
| 起落时间 | 上升 120 ms / 下降 600 ms | 跟得上语音,又不在句子边界抖 |
| 触发阈值 | 高于 -45 dBFS 起,低于 -50 dBFS 停 | 双阈值迟滞,防抖 |
「持续旁白下实测 -6.89 dB」就是这条规则的机器判据:拿一段恒定电平的
旁白跑一遍 duck,测 BGM 的电平差,应为 7 ± 0.5 dB。
怎么量才准:只在旁白的「平台段」上比。旁白的包络是单极点平滑的,
说话时不是恒为 1——词与词之间包络在回落,那里的增益本来就在回升,
把它们一起算进来会把压深算浅。平台段的判据是包络 ≥ 0.99
(上升沿 120 ms 时间常数,从 0 爬到 0.99 要 560 ms,这段也不算)。
两个口径的实测:
| 口径 | 样本 | 实测压深 |
|---|---|---|
合成恒定电平旁白(-25.7 dBFS RMS) |
全部 | -6.89 dB(16 bit 量化与起落沿的误差) |
| 本期真实旁白(32 kHz mp3),平台段占 41.7% | 13.8 s | 6.98 dB |
真实旁白这条更可信:它同时包含了量化误差、起落沿和词间空隙的回升,
结果仍落在 7 ± 0.5 dB 里,说明这条规则对真实语音是成立的。
命令:python -m pyv.cli bgm verify(见 §5.7)会一并量这个数。
5.3 避让 EQ
旁白的清晰度区是 1~4 kHz,BGM 在这一段要让开。做法是给 BGM 挂一个
bell 滤波器:1800 Hz,-6 dB,Q = 1.0。
实测(粉噪信号,滤前滤后对比):
| 频段 | 滤前 | 滤后 | 削减 |
|---|---|---|---|
| 1~4 kHz(voice) | 11.6% | 5.5% | -6.57 dB |
| 4~10 kHz | 7.7% | 7.5% | -0.28 dB |
| 400~1000 Hz | 7.6% | 6.7% | -1.12 dB |
只在旁白要的那一段下刀,其他频段基本不动。
另外加一个 30 Hz 高通:砍掉无用的超低频,把动态余量让给旁白。
5.4 混音链
BGM(-20 LUFS 归一化母版)
└→ numpy 按旁白包络 duck(深度 -7 dB,精确可控)
└→ ffmpeg: highpass 30 Hz → bell 1800 Hz/-6 dB → 增益 -15 dB
└→ amix(旁白、品牌片音轨)
混音参数全部写死在 bgm.py 里,没有一个自适应值——同样的输入必须出同样的片。
5.5 流水线接入
compose.py 的接法(bgm 模块在 compose.py 里别名为 bgm_rules——
函数参数 bgm 会把同名模块遮住):
| 步骤 | 做的事 |
|---|---|
| 正文区间 | _body_range() 取第一个 code 场景的起点到最后一个 code 场景的终点 |
| ducking | bgm_rules.duck_bgm() 按旁白包络生成增益曲线,只处理正文区间那一段 |
| 通道链 | bgm_rules.bgm_chain() = 上混 + 高通 + 避让 bell + 固定增益 |
| 对位 | BGM 的延迟 = 正文起点,与旁白同一时间轴(两者都在正文起点开始) |
BGM 与旁白在正文相对时间上是对齐的:旁白文件本身从 0 开始,
在混音里延迟到正文起点;BGM 取自己文件的前 正文时长 秒,也延迟到正文起点。
所以 ducking 时两边的时间轴天然一致。
5.6 与品牌片的关系
品牌片(brand/)有自己独立的音轨链路:片头片尾各 3 秒,
BGM 从 motif 里挑一段窗口、以 -19 dB 增益混进去,
不做 ducking(3 秒的 punch 不需要,ducking 反而让音乐起不来)。
正文 BGM 与品牌片音乐不叠:正文 BGM 只铺正文区间
(从第一个正文场景起点到最后一个正文场景终点),
片头片尾各用各的音乐。
音轨的正本是 brand/audio/{intro,outro}_mix.wav,不是品牌片 mp4 里
烘焙的那条。mp4 里的音轨是渲染那一刻的版本——换了配乐又没重渲 3D 形象,
成片就会用回旧音乐(2026-11-12 就踩过:motif 的成品音轨做出来了,
却没接进成片,片头片尾用的还是旧 AI 配乐)。pyv/brand.py 的 _resolve_audio_source() 因此优先取 mix 文件,
mp4 音轨只作兜底。
换配乐不必重渲 3D 形象,只要两步:
cd aiv/pipeline
python -m pyv.cli bgm windows # 重挑窗口,写进 brand/brand_windows.json
cd ../brand/scripts && python3 make_audio_brand.py # 按窗口重做成品音轨
淡出要短:片尾的音乐是片头那段的前一截(§6 末条),
末尾淡出 0.3 秒会把刚接上的闭环淡没。片头淡入 0.08 秒(画面从黑场起),
片尾不淡入(它的窗口是曲子中段的接缝,淡入像另起一段);
成品混音再收 0.05 秒,避免旁白尾音爆点。
5.7 成片级判据:混完之后量一遍
前面那些规则管的是曲子本身和台账。这一节管的是混完之后:
整期片子做完了,旁白清不清楚、BGM 与旁白差多少、削没削顶——
以前只能靠耳朵(这是 §8 那条待办的由来)。
cd aiv/pipeline
python -m pyv.cli bgm verify \
--video ../out/pg-parallel-decode.mp4 \
--narration ../narration_pg-parallel-decode.mp3 \
--music ../music/tracks/series-bed-01.wav \
--storyboard ../storyboard_pg-parallel-decode.json
量法:正文区间的混音 = 旁白 + BGM(amix 的 normalize=0 是纯求和),
所以把旁白按正文起点摆回成片的时间轴、从成片里减掉,剩下的就是 BGM。
两边用同一批样本(旁白的平台段)、同一套统计量(RMS dBFS)比,
差值就是「旁白高 BGM 多少」。
| 编号 | 判据 | 阈值 | 本期实测 |
|---|---|---|---|
bgm.mix-duck-depth |
稳态 duck 深度 | 7 ± 0.5 dB | 6.98 dB |
bgm.mix-voice-to-bgm |
旁白活跃段的电平差 | ≥ 18.3 dB | 23.37 dB |
bgm.mix-true-peak |
成片真峰值 | ≤ -1.0 dBTP | -2.60 dBTP |
bgm.mix-voice-gain |
旁白在成片里的增益偏差 | ±0.5 dB | -0.03 dB |
bgm.mix-voice-gain 是防「混音动了旁白音量」的:最小二乘拟合
成片与重建的旁白,系数偏离 1 超过 ±0.5 dB 就报。
一个必须记住的坑:量立体声成片时,不要用 ffmpeg 的 -ac 1 下混。
它的系数是每声道 0.7071,对左右同相的信号整体高 3 dB
(实测 L=R=0.5 解回来是 0.707)。用错口径,量出来的电平差会凭空多 3 dB,
或者反过来少 3 dB——足以把一条合格片判成不合格。代码里用bgm._to_mono() 做等权平均。
六、系列一致性
系列感不靠每期换不同的音乐,靠同一首曲子反复出现。
| 角色 | 用途 | 数量上限 |
|---|---|---|
motif |
系列主题动机,片头/片尾/转场反复出现 | 1 首(多了就没有标识了) |
bed |
正文段落铺底 | 每期 ≤ 2 首 |
sting |
转场音效(几秒的点缀) | 不限 |
规则:
每期必须用同一个
motif。片头片尾的 3 秒窗口从motif里挑,
于是观众听到第一期和第五期的片头是同一段旋律——这是系列的听觉标识。正文铺底可以换,但换的时候要保证风格连续(同一
artist或同一授权来源优先)。每期开头与结尾的
motif片段要首尾相接(片尾接回片头),形成闭环。
具体做法:片头取s到s+D这一段,片尾取s-D到s这一段,于是outro_start + D == intro_start——两段在原曲里紧挨着,
片尾结束时正好落在片头的起音点上。D = 2.833 秒(品牌片的帧数)。
窗口由python -m pyv.cli bgm windows挑出来,写进brand/brand_windows.json(入库:这是决策,不是产物)。为什么曾经不像:早先片头片尾各挑各的——片头取「起音明显」的位置,
片尾取「尾部衰减」的位置。实测片头在 115.15 s、片尾在 31.80 s,
两段互不相干,听上去基本是两首不同的音乐。这就是「结尾和片头对不上」
的真正原因。不要用相关系数判断两段是否相接:有瞬态的音乐上,样本相关系数
本来就不是有效指标(旧口径 +0.0543、新口径 -0.0655,两个数都说明不了
任何问题)。真判据是两段在原曲里紧挨着——逐样本验证原曲里从outro_start到intro_start+D这一段,前半等于片尾窗口、后半等于片头窗口。选窗的判据是「起音比」:窗口开头 50 ms 的能量 ÷ 紧邻之前 200 ms 的能量,
比值大 = 那里有个清楚的起音,片头才「起」得起来。阈值 4.0。
旧的两个窗口起音比只有 1.60 / 1.19(基本不算起音),
挑到的窗口起音比 13.71。
七、可机检规则
规则实现在 pipeline/pyv/bgm.py,编号必须与本节表格一一对应。
| 编号 | 级别 | 判据 | 触发的样子 |
|---|---|---|---|
bgm.sample-rate |
硬 | 采样率必须 48 kHz | 44.1 kHz 的原曲 |
bgm.channels |
硬 | 必须立体声 | 单声道 |
bgm.duration |
硬 | 时长 ≥ 目标视频时长 | 曲子太短,循环点找不到 |
bgm.true-peak |
硬 | 真峰值 ≤ -3.0 dBTP | 母带顶到 0 dBTP |
bgm.voice-band |
硬 | 1~4 kHz 占比 ≤ 30% | 音乐在旁白清晰度区太重 |
bgm.air-band |
硬 | >10 kHz 占比 ≤ 10% | 刺耳 |
bgm.centroid |
硬 | 频谱重心 ≤ 2000 Hz | 亮音乐,像广告 |
bgm.license |
硬 | 授权类型在白名单里 | CC-BY-NC、非商用 |
bgm.attribution |
硬 | 需要署名时必须写署名串 | 署名栏是空的 |
bgm.fingerprint |
硬 | 本地文件 sha256 与台账一致 | 文件被换过 |
bgm.series-role |
硬 / 倾向 | 角色合法;motif 只能有 1 首 |
登记了两首主题动机 |
bgm.take-level |
硬 / 倾向 | 取用段落不得比整曲响(≤ 0 dB);更安静只报数 | 推导的前提不成立 |
bgm.brand-loop |
硬 | 片尾结束点与片头起点相差 ≤ 0.01 s(outro_start + 2.833 == intro_start) |
两段不相接,听感像两首歌 |
bgm.brand-track |
硬 | 窗口必须记 motif 的 id,且曲子的 sha256 与台账一致 |
换了曲子却用旧窗口 |
bgm.brand-window |
硬 / 提示 | 两段能量 ≥ 0.02、峰值 ≤ 0.98;起音比 < 4 只提示 | 挑到静音段或削顶段 |
bgm.mix-duck-depth |
硬 | 成片实测的稳态 duck 深度 7 ± 0.5 dB | duck 没生效或深度被改 |
bgm.mix-voice-to-bgm |
硬 | 旁白活跃段电平差 ≥ 18.3 dB | BGM 压过旁白,旁白发闷 |
bgm.mix-true-peak |
硬 | 成片真峰值 ≤ -1.0 dBTP | 混音削顶 |
bgm.mix-voice-gain |
硬 | 旁白增益偏差 ±0.5 dB | 混音动了旁白音量 |
后四条是成片级判据,量的是混完之后的关系(§5.7),
命令是 python -m pyv.cli bgm verify。
bgm.brand-* 三条管的是系列片头片尾的配乐窗口(§6 末条),
命令是 python -m pyv.cli bgm brand-check。
bgm.take-level 量的是取用段落相对整曲的响度差(§5.1.2):bgm check --duration <正文秒数> 会量正文铺底取的那一段,bgm brand-check 会量品牌片的那两个窗口。
用法:
cd aiv/pipeline
python -m pyv.cli bgm check --music <文件> # 判一条曲子合不合格
python -m pyv.cli bgm library # 查台账自洽性
python -m pyv.cli bgm mix # 打印当前混音参数
python -m pyv.cli bgm windows # 挑片头片尾窗口,写进 brand/brand_windows.json
python -m pyv.cli bgm brand-check # 校验窗口:首尾相接 / 曲子指纹 / 能量
八、待办
- 曲库已有实际条目:
series-motif-01(The Deep End / Ocoeur)与series-bed-01(Subdued / Jason Van Wyk),均为 CC0-1.0,
已登记在music/library.json,见 §2.4。 -
compose.py已接上 ducking 与避让(见 §5.5):BGM 只铺正文区间,
先按旁白包络 duck(深度固定 -7 dB),再走高通 + bell 避让 + 固定增益。 - 成片侧的整体检查已做成可机检的判据(见 §5.7):
python -m pyv.cli bgm verify量稳态 duck 深度、旁白/BGM 电平差、
真峰值、旁白增益偏差,不用再靠耳朵。 - 品牌片的两条存量 AI 配乐(44.1 kHz、真峰值顶到 0 dBTP)已退出:
片头片尾改用曲库的series-motif-01,旧文件备份在brand/audio/legacy/
(不入库,不删除)。 -
music/scripts/fetch_music.py已接 archive.org 适配器
(/metadata/<id>取文件级直链与时长),另两个站点按同一接口留位。 - 母带取用段落的电平差已纳入入库检查(§5.1.2、§7
bgm.take-level):bgm check --music <母带> --duration <正文秒数>量「取用段落相对整曲」
的响度差。取用段落更安静 → 推导偏保守(更安全);更响 → 前提不成立,
必须按实测值重新推导。实测正文段安静 2.90 dB、品牌片窗口安静 4.70 dB;
旧口径的片头窗口反而响 1.30 dB。 - 系列片头片尾的「首尾相接」已做成检查(§6 末条、§7):
python -m pyv.cli bgm windows按「起音比」挑一对紧挨着的窗口,
写进brand/brand_windows.json(入库);python -m pyv.cli bgm brand-check
校验首尾相接、曲子指纹与能量。窗口从旧的「各挑各的」
(片头 115.15 s、片尾 31.80 s,两段互不相干)改成
片头 8.733 s、片尾 5.900 s——outro_start + 2.833 == intro_start,
两段在原曲里逐样本紧挨着。成片侧也已核过:EP01/EP02 的片头片尾
音轨与按窗口重建的参考逐样本吻合,误差落在 AAC 编码噪声地板上。 - 品牌片成品音轨已接进成片(§5.6):正本是
brand/audio/*_mix.wav,pyv/brand.py优先取它、mp4 音轨只作兜底,换配乐不必重渲 3D 形象。