视频声音 · 实测
用 AI 给视频加音效，精确到每一帧
一条无声的产品短片总显得没做完，光加音乐也补不上。让美食和产品视频看着过瘾的，是那些细小的声音：面包皮裂开，杯子碰到桌面。这些声音只有正好落在动作上才有效果。爆裂声早了半秒，听起来就是假的。
2026年9月30日，我们在 Ciyo 里为虚构面包店 Crumb & Kettle 做了一条 8 秒的 Reels，并请 Ciyo Agent（Ciyo 智能体）加上四个音效和一层安静的环境音。它自己在视频里找到了这些时刻，并为每个音效报告了时间点。我们测量了成片的音频：杯子声正好落在那一帧上，爆裂声最响的部分也落在面包裂开的过程之内。
从一条无声片段开始
如果你已经有片段，上传就行。我们的片段是在 Ciyo 里做的：一条 8 秒的竖版特写，一双手在盘子上方撕开一个可颂，碎屑落下，然后一杯咖啡被放在旁边。用最便宜的视频设置花了 9 个额度，我们要求不带音频。
无声很重要。视频模型自己加上的声音会和你之后放的音效打架，而且没法干净地去掉。
我经营一家小面包店 Crumb & Kettle。为一条 Instagram Reels，请给我做一条无声的 8 秒竖版片段（最便宜的视频设置，不要音频）：特写一双手在白色盘子上方把一个新鲜可颂撕开，碎屑落下，然后一杯咖啡被放在旁边。镜头保持不动。先不要加任何声音；下一步我想加音效。说出时刻，而不只是声音
只列一串声音是不够的。要说明每个声音属于什么动作，这样智能体才能在画面里找到它：面包皮裂开，两半被拉开，碎屑落下，杯子碰到桌面。再加一层环境音让画面有空气感，并说明它该有多安静。要求它给出时间点，这样你就能检查。
片段不错。现在加上音效，让它们落在动作上：面包皮裂开时清脆的爆裂声，两半被拉开时轻柔的拉扯声，碎屑落到盘子上的声音，杯子碰到桌面的声音，底下再垫一层安静的咖啡馆环境音。请你自己在视频里找出确切的时刻，告诉我每个音效的时间点，并把环境音压低，让动作的声音突出。不要音乐，不要人声。2026-09-27 发布。这位创作者把一条静音视频上传到 Codex，请智能体在不用 DAW 或采样库的情况下设计音效，并分享了提示词。其中有两条规则适用于任何工具：先把画面里的事件列出来；不要相信智能体能听出结果，而是让它给出一份音效提示表，由你自己来判断。那是另一个产品和作者自己的工作流程，不是 Ciyo。
智能体怎么找到这些时刻
智能体逐帧浏览视频，在画板上放了一张时间对照表：32 帧，每 0.25 秒一帧，每帧都标着时间。它是一份可以删掉的工作参考，也是你检查结果最快的方式。
然后它生成了五个声音，混进片段的一个副本里，原片保留不动。五个声音花了 7 个额度；混音不花钱。
它选择的时间点
智能体报告了每个音效以及选这个时间的理由，比如杯子在 6.80 秒落下，“when the cup's downward movement stops”（也就是杯子向下的动作停止的时候）。环境音贯穿整条片段，比音效低约 20 dB。
下面这几帧取自成片中的这四个时间点。
| 音效 | 开始时间 | 对应画面里的什么 |
|---|---|---|
| 面包皮爆裂声 | 1.95 s | 面包皮第一次裂开；随着裂口变大持续约 1.3 s |
| 轻柔拉扯声 | 3.20 s | 两半被拉开，一直到约 5.0 s |
| 碎屑落盘声 | 3.75 s | 第一片碎屑落下 |
| 杯子放到桌上 | 6.80 s | 杯子停止向下移动 |
| 咖啡馆环境音 | 0 到 8 s | 淡入淡出，比音效低约 20 dB |
我们测量了音频
我们下载了成片 MP4，每 50 毫秒测一次响度。环境音大约在 −46 到 −48 dB。杯子声是最响的时刻，−18 dB，正好从 6.80 秒开始。碎屑声在 3.70 秒升起。爆裂声放在 1.95 秒，但它最响的部分出现在 2.5 到 3.0 秒、裂口最大的时候，这仍然在智能体选定的时间段之内。
所以环境音比最响的音效低约 28 dB，比智能体说的“about 20 dB”（约 20 dB）还要安静一些，整条 Reels 的响度测得为 −19.7 LUFS。如果它和你的其他 Reels 放在一起显得偏小声，就要求混得响一点；智能体主动提出可以不生成新声音、免费重新混音。
用耳朵检查，再做调整
AI 智能体能测量波形，但没法告诉你爆裂声听起来像不像可颂。戴上耳机听一遍，再用手机扬声器听一遍。对每个音效问两个问题：它是不是从动作开始的那一帧开始？它听起来像不像那个东西？如果某个声音早了或晚了，就把时间对照表上的帧时间和调整方向告诉智能体，比如“把爆裂声往后移 0.3 s”。
| 检查项 | 我们的 Reels |
|---|---|
| 每个音效都从对应动作开始 | 杯子声准确落在 6.80 s；爆裂声峰值在裂开过程之内 |
| 环境音低于音效 | 比最响的声音低约 28 dB |
| 没要求就不加音乐或人声 | 没有 |
| 整体响度 | −19.7 LUFS；需要的话可以要求调响 |
| 保留原片 | 是，无声片段留在画板上 |
这条 Reels 的下一步
音效、音乐和人声各有各的空间时，才能配合得好。在音效下面垫一层音乐，或者在音效之后加一段简短的旁白，并保留无声原片，留给下一次剪辑。
用 AI 添加音效
AI 能让音效卡准我的视频吗？
能，只要它看得到画面。在我们的测试中，Ciyo Agent 为片段做了一张时间对照表，并按动作放置每个音效；按我们的测量，杯子声正好从 6.80 秒开始。
应该让视频模型来生成声音吗？
如果你想要掌控，就不要。先生成无声片段，再加上可以逐个移动和调整的音效。
环境音应该多响？
低到能让动作的声音突出就行。我们的环境音比最响的音效低约 28 dB。如果片段在声音之间显得空，就把它调高一点。
花了多少钱？
2026年9月30日共花 16 个额度：无声片段 9 个，五个音效 7 个。混音以及任何不生成新声音的重新混音都是免费的。
在 Ciyo 里给你的片段加声音
上传一条无声片段，说出哪些时刻需要声音，并请 Ciyo Agent 给出时间点，方便你检查。