很多人做 AI 影片，力氣都花在畫面，聲音最後隨便配一首。結果觀眾最常抓到的問題反而在聲音：旁白太趕、音樂蓋過對白、爆炸聲晚了半拍。
再往後一步，是上傳前那些不起眼的確認：這首配樂能不能公開用？有沒有標示 AI 生成？上傳的是不是最後核准的那一版？
- 旁白先量長度再排：放不進去就改稿，不偷偷加速。
- 聲音拆開來混：人聲出現時音樂讓位，響度要驗最後上傳的那個檔案。
- 授權一項一項查：服務叫得動、帳號借得到，都不等於可以公開用。
- 上傳前三件事分開查：AI 揭露、權利表、上傳包；平台通過不等於權利已確認。
以下例子來自我用自己持有的 CloneX 角色做的彩排，屬於非參賽、非商業的練習。這部分是製作流程上的關卡，不是法律意見。
先量旁白，再排畫面
做聲音之前，先回答一個問題：畫面長度還能不能動？
- 畫面已經剪定：每一句旁白先生成、量好實際長度，再放進那顆鏡頭的時間裡。放不進去就退回處理。
- 還在試排：先量旁白，再依量到的長度決定每顆鏡頭停多久。
兩種情況都是先量，再排，不從字數估秒數。
放不進去時，最省事的做法是把旁白加速。我的規則是超過大約 1.2 倍就改寫句子：講太快的旁白，失去的信任比少講一句更多。每句前後也盡量各留約 0.3 秒，讓畫面先出來，再說話。
選配音也一樣省：挑兩三句有代表性的句子，最多試兩個聲音，選定了才生成全稿。沒有本人書面同意，不做聲音複製，也不模仿真人。
聲音拆開來混，重要的才聽得見
我把聲音拆成六條獨立音軌：旁白、對白、環境音、擬音（Foley，貼著畫面動作做的腳步、開門、放杯子等聲音）、音樂、轉場音效。拆開的好處是每一條都能單獨調。
要先知道一件事：影片模型直接生成的聲音，是已經混好的一整條，拆不開。
人聲出現時，音樂和環境音要讓位。 我的參考值是旁白出現時，音樂大約降 6 dB、環境音降 3 dB。讓位要漸變，提前一點降、說完再慢慢回來，不要一格一格硬切，否則會有爆音。推動劇情的聲音，例如門鎖、鑰匙聲，不要跟著被壓小。
響度要事先指定。 響度（LUFS）是衡量整段聲音平均聽起來多大聲的數值。網頁與 YouTube 我用約 -16 LUFS；比賽放映在主辦規格確認前，一律標「待確認」，不自己填數字。
這裡有個陷阱：最後一道防爆音的處理如果設定不對，會把前面辛苦留下的安全空間吃掉，做出接近破音的成品，而中間每個數字看起來都正常。所以最後一定驗實際要上傳的影片檔，不是只驗中間的聲音檔。
實例：30 秒預告，鏡頭一次過，聲音改了好幾版
這支 30 秒概念預告《BUNNY AWAKENS》，是 Bunny（CloneX #15755）的非商業彩排作品。生成的鏡頭第一次就全部通過，沒有重新生成；聲音卻改了好幾版：
- 第一版：先把畫面和音效組起來，影片模型生成的原生聲音還沒查清授權，先不用。
- 第二版：把三顆短鏡頭的原生聲音放回去，整體聲音被我退回。
- 第三版：重做暗黑工業感的配樂與跟著事件走的音效，把爆炸聲拉到夠明顯；那三段原生聲音留著。
- 最後：配樂再單獨比一輪，才定案。
這一輪配樂，我用 Google Lyria 3 Pro Preview 生了三首（2026 年 8 月，每首 US$0.08），其他聲音全部不動，只換音樂來比。接著做公平對照：三版自己用程式產生的免費音樂，和選中的付費那首放在同一段畫面、同樣音量下比。
揭曉
揭曉
我最後仍選付費那首，但得到的結論是：效果好，主要來自選曲、分層、音效對準畫面的時間點，以及人工挑選；付費模型不保證比較好聽。
後來我把它變成固定順序：
- 先用文字提出三個不同的聲音方向，說明理由；
- 用同一段畫面做 12 到 20 秒的短版 A／B／C，音量對齊後盲聽；
- 選定方向，才生成完整版本。
給配樂模型的提示詞只寫樂風、樂器、情緒、速度，不寫任何藝人、電影或既有歌曲名，預設純音樂、不要人聲。
也不是每支片都需要配樂。另外兩支雙風格短片，我全部使用影片模型的原生聲音（雨聲、腳步、按鈕音和一句台詞），審片時也接受了。
授權：一項一項查，不知道就是不行
每個聲音來源，我都分開回答五個問題：
- 程式碼能不能用？
- 實際用的模型能不能商用？
- 生成的成品有沒有額外限制？
- 裡面的聲音或第三方元件，有沒有另外的權利？
- 這次的用途，是否涵蓋公開發布？
任何一題答不出來，就是「待確認」，不能推論成通過。
幾個實際踩過或差點踩到的例子：
- MusicGen：程式碼採 MIT 授權，但官方模型頁寫明模型權重採 CC BY-NC 4.0。[1] NC 就是「非商業」。[2] 程式碼能商用，不代表模型能，我直接列進不使用清單。
- 借來的商用素材庫帳號：計畫一開始，一位隊友能借到朋友的帳號。我第一天就定下規則：這類素材不用在公開發布的作品。
- 音效素材包：有些允許商業影音使用，卻明文禁止拿去訓練 AI。這類素材我只做傳統剪接混音，不餵進任何 AI。
- 透過串接平台呼叫的模型：平台讓你叫得到，不代表成品已取得商業授權。平台條款、模型條款要分開查。
以 30 秒預告成片裡那三段 Grok 原生聲音為例，2026 年 8 月查核時，我一路追到 xAI 的企業條款，寫明成品歸使用者，這三段才從「待確認」改成「已驗證」，發布時並加註「Created with Grok」。同一支片用到的 Seedance，我查到最後仍不明確，就照實標「未確認」。
我還會把三種狀態分開記：內部試聽可以用、技術品質過關、可以公開發布。前兩者都成立，第三者仍然可能不成立。
上傳前，三件事分開查
成片核准後，我不直接上傳，而是先整理一個「上傳包」，最後由我自己登入 YouTube 手動上傳。
一、AI 揭露。 YouTube 的說明頁列出需要揭露的情況，例如看起來真實的 AI 內容、AI 改動真實地點或事件，以及作為影片重點的 AI 音樂。[3] 規則會變，所以每次都重查當天的官方頁面。我的三支彩排片都在說明欄寫明：畫面與聲音皆為 AI 生成、與相關品牌沒有贊助關係、是彩排不是參賽作品。
二、權利表。 每一層素材（畫面、聲音、角色、字型、縮圖）各占一列，寫清楚來源、條款與能不能商用。狀態只用三種：
- 已驗證；
- 有條件：條件要逐字帶到最後一關，不能簡化成「已核准」；
- 擋下：任何一項擋下，公開發布就停止。
我那兩支雙風格短片，權利表上固定有三項「有條件」：其中一個角色只能非商業使用、影片模型條款對串接平台使用者的約束不明、這是彩排不是參賽作品。公開前，這三個條件都要由我明確接受，不能由流程自動帶過。
另外，AI 標示不是著作權通行證，完整授權也不能免除揭露。這兩件事要分開回答。
三、上傳包。 幾個重點：
- 上傳的檔案必須和核准的成片是同一份，不重新壓縮；
- 縮圖從核准成片裡擷取，不加字、不用 AI 補畫；
- 影音長度要對齊。我實際遇到的是卡通版剪完，聲音比畫面長了 60 毫秒，被檢查擋下；只重新封裝、不重新壓縮，才過關；
- 匯出後真的打開來看一次：不是黑畫面或舊版、最後一句沒被截掉、用手機也看一遍。
依 YouTube 的說明頁，下面哪一種情況需要做 AI 揭露？
- 以上依 2026-10-09 查閱的官方說明頁：清單只是舉例、不是全部，規則也會變，每次上傳前重查當天的頁面。
看答案
出處：YouTube 說明：揭露生成式 AI 內容（2026-10-09 查閱）。
最後，四個常見誤會，翻開看看：
設成「不公開」就安全了
反正只有拿到連結的人看得到。
真相：不等於私密
點我看真相 ↻
不公開，不等於私密
「不公開」不是私密，也不是沒有風險。權利和揭露一樣要查。
再點一次翻回去
上傳成功，就代表沒問題
平台也跑過自動檢查和版權比對了。
真相：權利還沒確認
點我看真相 ↻
上傳成功，不等於權利確認
自動檢查、版權比對、「影片成功上傳了」，都不代表權利已經確認。這要靠你自己的權利表。
再點一次翻回去
標了 AI 生成，著作權就沒事
都誠實揭露了，應該可以了吧？
真相：揭露不是通行證
點我看真相 ↻
AI 標示不是著作權通行證
揭露是告訴觀眾怎麼做的；素材能不能用，是另一個問題，要分開回答。
再點一次翻回去
授權都齊了，就不用標 AI
每一項都已驗證，還要揭露嗎？
真相：揭露照樣要做
點我看真相 ↻
完整授權，也不能免除揭露
授權齊全，只回答了「能不能用」；該揭露的情況，照樣要揭露。
再點一次翻回去
你可以這樣開始
- 旁白先生成、先量長度，放不進去就改稿，不硬加速。
- 至少把人聲和音樂分開兩軌，人聲出現時讓音樂漸變降低。
- 配樂先做短版盲聽，選定方向才做完整版。
- 每個聲音來源列一行：從哪來、條款寫什麼、能不能公開用；答不出來就先不用。
- 上傳前，打開最後那個檔案從頭看完、聽完一次，再依當天規則填 AI 揭露。
對我來說，聲音和授權是最容易被「之後再說」的兩件事，也正是最該先寫成清單的兩件事。
這個系列接著讀
- AI 影片不是輸入一句話就好：6 天彩排 3 支成片，我踩過的審核、參考圖與成本問題：30 秒預告與雙風格短片的完整背景。
- AI 影片生出來，到底能不能用？用三種判定取代「感覺還可以」
- 讓 AI 助手幫你做影片，又不會半夜亂花錢：上傳為什麼一定要人點頭。
- AI 影片白話術語表：看不懂的詞先查這裡。
- AI 影片製作筆記
參考資料
- [1] Hugging Face：facebook/musicgen-large 模型頁（2026-10-09 查閱）
- [2] Creative Commons：CC BY-NC 4.0 授權摘要
- [3] YouTube 說明：揭露生成式 AI 內容（2026-10-09 查閱）
