返回 AI 声音调研2026年10月2日核查

把“纪念碑谷的声音”说清楚

原作为什么好听,专业术语分别指什么,以及怎样把听感变成 AI 能理解的制作要求。

优秀之处:操作、音乐与空间共同工作

最值得学习的是“有调的交互声音+克制的氛围铺底+随动作变化的声音”。下面将制作团队说过的事实,与可迁移到新项目的设计判断分开。这里的《纪念碑谷》是系列方法;三代的配器和具体实现并不相同。

原作团队明确讲过什么

对制作的启示

根据这些访谈,可归纳出四点:一致——动作音与音乐的音高、音色相容;清楚——声音让人感到操作发生了;留白——环境、音乐和反馈有前后层次;响应——拖动、旋转、完成能产生有意义的变化。这些是研究判断,不是统一的原作参数表。

“空灵”应拆成声音密度、音色明暗、起落方式、空间尾音和动作关系。单写“空灵、治愈、禅意”可以定情绪,却不足以明确制作。原作访谈没有公布一套统一的BPM、五声音阶或混响秒数。

先学前十组词,再看交互与进阶词

英文用于查资料和写提示词,中文用于沟通意图。每一行都是可调整的维度,不需要一次全部堆进提示词。

氛围音景 / 环境铺底

Ambient soundscape / ambient bed

听起来 / 指什么
给场景一层持续的声音环境;可由器乐、环境录音和合成纹理构成,不等于底噪。
可写的词
quiet ambient soundscape; sparse arrangement; lots of space between notes
何时用
背景与环境层。先写用途,再写音色。

铺底音色 / 持续音

Pad / drone

听起来 / 指什么
Pad常是缓慢起落、铺在后面的音色或和弦;drone偏持续的音或音群,不一定是低音。
可写的词
warm evolving pad; soft sustained drone
何时用
空灵背景与冥想底层;避免整段静止不变。

拨奏 / 钟鸣 / 槌击音色

Pluck / chime / mallet-like tone

听起来 / 指什么
Pluck是短促拨弦式起音;chime是钟铃式鸣响;mallet描述敲击类乐器的音色,三者并不相同。
可写的词
delicate plucks; rounded bell-like tone; soft mallet timbre
何时用
轻触与有调反馈。可试Hang类金属打击音色;不是所有关卡都使用同一种乐器。

有调音效 / 同调 / 五声音阶

Tonal SFX / in-key / pentatonic

听起来 / 指什么
让提示声有明确音高,并与背景兼容。五声音阶是可选的五音材料;不是“随机五个音”。
可写的词
tonal interaction sound; in the same key; a short pentatonic motif
何时用
原作证实同调设计;没有证实全系列统一用G大调五声音阶。

稀疏编排 / 留白

Sparse arrangement / negative space

听起来 / 指什么
限制同时出现的音与事件,让操作声、环境和旋律轮流被听见。
可写的词
sparse, restrained, long gaps between phrases, no dense percussion
何时用
比只写“空灵”更能表达内容密度;不是把所有音量都调低。

包络 / 起音 / 衰减 / 释放

Envelope / ADSR

听起来 / 指什么
声音如何出现与消失。A起音、D衰减、S持续电平、R释放;持续电平不是持续时长。
可写的词
rounded attack; short decay; slow attack and long release
何时用
点击需要清楚而不尖锐的起音;pad可慢起慢落。长尾音不等于长混响。

混响 / 尾音 / 干湿比

Reverb / reverb tail / wet-dry mix

听起来 / 指什么
空间反射形成逐渐消退的声场;干声保留轮廓,湿声提供空间。Pre-delay是原声与混响起始的间隔。
可写的词
spacious reverb; dark reverb tail; clear dry attack
何时用
先保证动作反馈清楚,再加空间。可辨的重复回声通常叫delay/echo。

低通滤波

Low-pass filter / cutoff

听起来 / 指什么
保留较低频率并削弱较高频率,让声音变暗、柔和;cutoff是截止频率。
可写的词
soft low-pass filtered texture; gently darkened highs
何时用
控制刺耳感或明暗;不是低音增强,也不一定是原作每层的处理。

低频振荡调制

LFO / slow modulation

听起来 / 指什么
一个周期变化的控制信号,可让音量、音高或滤波缓慢变化。调音量可形成tremolo(音量颤动)。
可写的词
slow gentle modulation; subtle amplitude movement
何时用
让长音有细微呼吸感。LFO通常是控制器,不是“低音音乐”。

单次音效 / 循环 / 变体

One-shot / seamless loop / variation

听起来 / 指什么
一次触发播放完的是one-shot;持续动作需循环;多种变体用于减少机械重复。
可写的词
single isolated one-shot; steady seamless loop; subtle variations
何时用
生成后仍要验循环接缝。循环开关与一条完整互动系统不是一回事。

分层 / 分轨

Layering / stems

听起来 / 指什么
分层是把材质、音调、空气等组合;stems是便于单独混音或触发的音轨组,二者用途不同。
可写的词
a soft material layer plus a restrained tonal layer; isolated instrument stem
何时用
轻触:材质接触+有调尾音;旋转:连续纹理+角度节点音。建议分别生成便于控制。

互动音频 / 参数映射

Interactive audio / parameter mapping / RTPC

听起来 / 指什么
把游戏状态转换成声音变化。RTPC是Wwise实时参数控制的术语。
可写的词
写在交互规格中:速度→音量/颤动速率;角度节点→音符
何时用
属于引擎或代码实现。写入音频提示词不会让下载的WAV自动响应玩家。

颗粒合成(进阶)

Granular synthesis

听起来 / 指什么
把音频切成很短的小片段,再重排、重叠或扫描,形成连续变化的纹理。
可写的词
gently evolving granular texture
何时用
MV3团队确认使用相关技术;AI生成“颗粒感”不代表输出了可实时控制的颗粒合成器。

短乐句提示 / 分解和弦(进阶)

Sting or stinger / arpeggio

听起来 / 指什么
Stinger是事件瞬间的短音乐提示;arpeggio是将和弦音先后奏出。两者可以结合,但不是同义词。
可写的词
subtle three-note completion sting; gentle ascending arpeggio
何时用
解锁、成功或过渡;不必每次点击都播放完整旋律。

合成基础可在 Ableton交互课程 中理解;实时参数例子见 Wwise官方文档。以上解释是基础制作术语,不表示原作每个声音都用了这些技术。

小红书那段描述,分别在说什么

酥鱼鱼鱼的仿作帖给的是一套Web Audio制作方案。把其中用词拆开,就能从审美形容词走向具体要求。

帖子用词实际意思新的制作要求可以怎么写
G大调五声音阶G、A、B、D、E这组音;其音高材料与“空灵”不是一回事提示音只从指定音阶取音,并与BGM调性兼容;最终校音
脚步拨奏把走路反馈做成短促拨弦式音色清楚但柔和的短起音,变化轻微,避免每步抢旋律
机关棘轮声旋转时一连串卡嗒式机械触点;ratchet是物件 / 动作声音描述细小柔和的机械咔嗒,速度随旋转改变
吸附双音对齐完成时发两声有调提示;没有公开音程就不能猜成三度 / 五度短促的两音确认反馈,音程和先后时间由设计明确
低通、LFO、长音垫用持续音铺底,削弱高频,再让音量或滤波缓慢起伏温暖、不刺耳的pad,细微慢速调制,给操作声留空位

这组词可以学习,但不是原作官方配方。原作已核实的是同调、分层和互动等方法;不能把仿作帖中的G调和五声音阶套给整个系列。查看原帖证据。

哪些 AI 适合生成这些声音

这里推荐的是按官方产品能力选择的试验顺序,未做音质盲测。“提示词可以写某术语”不等于工具提供对应的精确旋钮。

目标声音优先测试能做与不能保证的部分
空灵器乐、pad、持续氛围、独立音色层Stable Audio;Suno或Mureka作配乐对照Stable官方支持音乐、独立乐器 / stems、SFX、音频转音频和局部重生,适合拆层尝试。音阶、BPM、混响时间的文字要求仍需验收。
点击、吸附、机关、完成提示等短音效ElevenLabs Sound Effects;Stable Audio备选Eleven SFX当前API有0.5–30秒时长、提示词影响度和loop参数;没有逐音Hz/MIDI/ADSR的精确输入。小于0.5秒的成品可再裁剪,不能直接当API时长要求。
风、水、连续摩擦等环境循环ElevenLabs SFX的loop模式生成循环底材后仍检查接缝;旋转起始、持续、停止可分别准备资产。
有明确乐段、旋律发展的BGMSuno;国内来源产品可试MurekaSuno有纯器乐模式;Mureka有纯音乐接口。若要极低密度,明确写稀疏、无鼓、乐句间隔,避免默认歌曲式高潮。
按段改编配乐Eleven Music,作为补充候选官方Composer可按段调整风格、速度、调性等;逐音准确度仍需核查,其影视 / 商业游戏许可限制另行确认。
同音阶的一组提示音;随拖动实时变化AI辅助制作+MIDI / 合成器 / Web Audio或Tone.js需要可编辑参数和游戏事件。音频生成工具提供素材;准确音符、包络、触发时间与速度映射由后期或运行系统完成。

官方依据:Stable Audio提示词与编辑指南;Eleven SFX API参数;Suno纯器乐;Mureka纯音乐;Eleven Music分段编辑。

本轮顺带校正前报告两处能力表述:Eleven SFX概览与API最短时长不一致,实际API按0.5秒下限规划;Mureka的region-edit文档描述按时间范围和歌词编辑歌曲,不能据此确认纯音乐任意局部重配。Mureka区段编辑文档。商业使用条件见原工具调研。

把术语组合成三条可用的制作要求

通用顺序:用途 → 声音来源 / 乐器 → 动作或编排 → 起落与空间 → 希望避免的元素。以下是本报告新写的示例,尚未生成实测,时长也不是原作参数。

空灵背景:先试 Stable Audio

目标:75秒纯器乐,拨奏少,铺底缓慢变化,操作声能浮在上面。Stable的TrackType是官方建议的提示标签,不是音频质量保证。

TrackType: Music. Minimal instrumental ambient score for a quiet architectural puzzle. Sparse delicate plucks over a warm slowly evolving synth pad. Rounded attacks, long soft releases, spacious dark reverb, long gaps between phrases. Calm curiosity with a very subtle pulse. Restrained dynamics, no drums, no vocals, no choir, no dramatic build-up. Leave room for short game interaction sounds.

时长在工具参数里设75秒。想更适合冥想,可减少拨奏和节拍感;想更适合剧情剪辑,可另要求清楚的短段落与结尾。

吸附反馈:先试 ElevenLabs SFX

目标:一个能确认操作的小声音,约0.6秒。先做单音候选;精确的双音关系后续用MIDI或合成器控制。

A single gentle puzzle alignment sound. A tiny rounded ceramic contact followed by one warm bell-like tone. Clear soft attack, short decay, subtle airy tail. Delicate and reassuring, no harsh metal, no bass boom, no voice, no music underneath.

duration设0.6秒,loop关闭。若要同调音库,保留音色意图,再把音高逐个校准;不能只写“五声音阶”就视为准确。

旋转机关:分开生成材质和有调层

材质层先试ElevenLabs SFX,约4秒,loop开启:

A seamless loop of a small smooth stone mechanism turning slowly. Fine soft granular friction with subtle rounded ticking, steady texture, dry and close, no heavy grinding, no impact, no voice, no background music.

有调层可用Stable Audio单独生成:

TrackType: Instrument. A single warm sustained synth pad, gently low-pass filtered, slowly evolving timbre, soft attack and release, subtle spacious tail, no percussion, no melody, no vocals.

运行时让旋转速度控制材质层强度,把指定角度的提示音单独触发。这里的“随速度变化”要写进交互规格,不能指望一条循环音频自动完成。

最小学习顺序

先听懂pad、pluck、同调、起音 / 尾音、混响、留白;再理解低通、LFO、分层;确定要做可交互场景时,再学习one-shot / loop、参数映射、变体。颗粒合成可以留到后面。

对当前目标,最值得先做的是“一个有留白的氛围底层+一组同调提示音+一个能随动作变化的机关声”。这比先追求完整复制某首原曲,更容易看清每个术语和工具实际解决什么问题。

返回公开案例与完整工具比较