VberAI 音訊生成指南：遊戲配音、音效與配樂的高效製作

遊戲裡的音訊扮演的不是「背景」，而是回饋：按鈕有沒有按下去、技能有沒有命中、Boss 出場是否夠壓迫，玩家往往先靠耳朵確認。但音訊偏偏是小團隊最容易拖到最後的環節——外包配音按條計費、音效庫版本混亂、配樂找不到既合風格又能商用的素材，改一次需求就要重新對接一輪。

VberAI Studio（AI Studio）把配音、音效、配樂三類生成放進同一塊遊戲畫布：用文字描述取得素材，再直接裁剪、分割、掛到 Spine／序列影格／UI 事件上，最後按引擎格式匯出。本文不談介面按鈕（介面與圖層能力見 AI Studio 音訊圖層），只講一件事：提示詞怎麼寫，才能少返工。

三種音訊生成能力概覽

能力	入口	典型產出	對應遊戲場景
人聲／怪物配音	Voice / Monster VO	角色對白、旁白、生物叫聲	劇情、NPC、Boss 登場、受擊呻吟
遊戲音效	Sound Effect	互動、戰鬥、環境短素材	UI 點擊、技能、開門、腳步、環境循環
配樂／歌曲	Music / Song	BGM、主題曲、氛圍鋪底	主選單、關卡循環、過場、活動主題

三者共用一套思路：先寫「是什麼」，再寫「什麼感覺」，最後寫「多長、做什麼用」。以下分模組展開。

人聲／怪物配音：對白、旁白與生物叫聲

適用場景

• 原型期鋪對白，先驗證節奏與資訊量，再決定是否找真人錄製
• NPC 大量短句（商人、守衛、任務提示），量大而單價低
• 怪物 VO：咆哮、低語、受擊、死亡，人聲難錄、外包貴
• 多語言版本：同一角色保持一致聲線，只換台詞

提示詞公式

角色身分 + 音色特徵 + 情緒 + 語速／語調 + 語言 + 內容

範例

Deep, raspy elderly wizard. Slow and mysterious, slight echo. English:
"Welcome to my dungeon, mortal."

AI 配音

00:00

--:--

低沉沙啞的老年巫師，緩慢、神秘，帶一點回聲，繁體中文，說：
「歡迎來到我的地牢，凡人。」

AI 配音

00:00

--:--

被擊退的中型惡魔，胸腔共鳴的低吼，憤怒轉為痛苦，無台詞，約 1.2 秒。

AI 配音

00:00

--:--

參考音色建議

描述音色時，用「類似 XX 的聲線」比堆形容詞更穩定。可參考的方向：

• 冷靜的法系女聲：類似《暗黑破壞神 3》Wizard（女）的清冷、克制
• 沉穩的法系男聲：類似《暗黑破壞神 3》Wizard（男）的低沉、書卷氣
• 惡魔／魅魔類：Lilith 一類帶氣聲的低語；胸腔共鳴的低吼、非人聲處理

定稿後用 Voice presets 存為預設，同一角色跨場景重複使用，避免每段對白重新描述。

遊戲音效：UI、技能與環境短素材

適用場景

• UI 回饋：點擊、換頁、確認、錯誤
• 戰鬥回饋：命中、格擋、爆擊、技能起手／命中／消散
• 環境：開門、腳步、火把、水滴、風聲短循環
• 原型期批次佔位，後期按手感逐個替換

提示詞公式

動作 + 材質 + 空間 + 時長 + 風格

範例

沉重的木門吱呀打開，帶鎖鏈摩擦聲，地牢殘響，1.5 秒。

AI 音效

00:00

--:--

金屬短劍命中皮革護甲，鈍響帶輕微金屬殘響，無環境殘響，0.4 秒，寫實風格。

AI 音效

00:00

--:--

8-bit 復古風，金幣收集，上行兩音，明亮，0.3 秒。

AI 音效

00:00

--:--

風格參考

音效的「風格」一詞最容易寫空。用具體的庫或風格名做錨點更有效：

• 寫實物理類：Strata Physics 一類的碎裂、碰撞、摩擦質感
• 電子／科技類：Deep Tech – Kenno Sample Pack 一類的低頻脈衝、合成器 UI 音
• 像素／復古類：8-bit 晶片音，方波、雜訊通道，短促乾淨

配樂／歌曲：關卡 BGM 與主題曲

適用場景

• 主選單與關卡 BGM 循環
• 過場與 Boss 戰的情緒切換
• 節慶活動造型配套主題樂（與 一鍵換皮 的視覺主題對齊）
• 宣傳片／序列影格動畫配樂

提示詞公式

風格 + 情緒 + 樂器 + 節奏／BPM + 時長 + 用途

範例

暗黑哥德風格，萬聖節主題，管風琴 + 鐘琴 + 低音鼓，中速，緊張神祕，
可無縫循環，30 秒，關卡 BGM。

AI 配樂

00:00

--:--

柔和鋼琴獨奏，溫暖、略帶懷舊，慢速約 70 BPM，無鼓，60 秒，主選單待機。

AI 配樂

00:00

--:--

風格參考

• 8-bit 晶片音樂：平台跳躍、復古像素專案
• 電影感遊戲配樂：弦樂 + 銅管 + 打擊，Boss 戰與過場
• 柔和鋼琴：選單、劇情回憶、結算畫面

實作案例：哥德風格遊戲的一整套聲音

假設專案是暗色調哥德地牢，需要三件素材：怪物登場 VO、火焰法術音效、萬聖節活動 BGM。

1. 怪物登場配音

巨型石像鬼守衛，聲音如石塊摩擦，極低沉，緩慢，帶教堂殘響，
憤怒中透著輕蔑，繁體中文，說：「又一個來送死的。」

預期效果：4-7 秒；重音落在「送死」，語尾拖長；殘響尾音約 1 秒。若結果過於「人聲化」，追加「非人類、去掉呼吸聲」。

AI 配音

00:00

--:--

2. 火焰法術音效

火球從法杖釋放：起手短促吸氣般的氣流聲，隨後低頻轟鳴爆發，
帶火焰噼啪與輕微金屬共鳴，石室殘響，總長 1.8 秒，暗黑奇幻風格。

預期效果：三段式（起手 → 爆發 → 衰減）；低頻不淹沒中頻噼啪。如需分層，用懸浮工具分割成「起手」和「爆發」兩段，方便引擎按施法階段觸發。

AI 音效

00:00

--:--

3. 萬聖節 BGM

暗黑哥德風格，萬聖節主題，管風琴主旋律 + 鐘琴點綴 + 低音鼓穩定推進，
約 90 BPM，緊張神祕但不恐怖，可無縫循環，30 秒，活動大廳背景音樂。

預期效果：首尾能接；鐘琴只在樂句結尾出現，避免過密。若循環點有斷層，用 AI 聲音擴展 延展尾部再裁剪。

AI 配樂

00:00

--:--

三件素材生成後都落在同一畫布：VO 掛到 Boss 登場序列影格，音效掛到技能影格，BGM 作為獨立循環層——再統一轉 WAV／OGG 匯出到 Unity／Godot／Cocos。

提示詞撰寫技巧

1. 先角色，後形容詞：先給「誰／什麼物件」，再疊音色詞。「老年巫師，沙啞」優於「沙啞、神祕、低沉的聲音」。
2. 情緒寫變化，不寫單點：「憤怒轉為痛苦」比「憤怒」更接近實際受擊表現。
3. 空間必寫：地牢、石室、開闊野外、無殘響——直接決定是否還要在引擎裡再加 Reverb。
4. 時長精確到 0.1 秒：短音效 0.3–0.6 秒，開門類 1–2 秒，VO 按台詞字數估算。
5. 循環要點明：BGM 與環境音寫「可無縫循環」，否則生成結果多為有頭有尾的樂段。
6. 用途收尾：「主選單待機」「受擊回饋」這類用途詞，會影響動態範圍和密度。
7. 迭代用否定詞：結果偏差時補一句「去掉呼吸聲」「不要人聲」「不要鼓」，比重寫整條更穩。
8. 對白跟發音語言，音效配樂不必分語言：角色台詞用它要說出口的語言寫提示詞；純音效／配樂各語言共用同一條，不必再做「翻譯版」。樂器與風格專有名詞用英文通常更穩。

免費音色／音效／音樂資源

生成之外，參考素材與佔位素材仍有價值。以下均可免費取得，授權逐條核對，商用前務必確認。

音效

資源	用途	授權注意
Freesound	海量使用者上傳音效	CC0／CC-BY／CC-BY-NC 混雜，逐條看
ZapSplat	分類清晰的成品音效	免費需署名；付費版免署名
Mixkit	音效 + 音樂	Mixkit License，可商用
Kenney	遊戲向 UI／互動音效包	CC0，最省心
Sonniss GDC	每年 GDC 免費專業音效包	免版稅可商用，不可再散布
OpenGameArt	音效 + 音樂 + 美術	CC0／CC-BY／GPL 等，逐條看
小森平音效庫	日系遊戲音效	免費含商用，不可再散布

音色／語音

資源	用途	授權注意
Coqui TTS	開源 TTS 模型與語音包	模型授權不一，商用需單獨確認

音樂

資源	用途	授權注意
Pixabay Music	多風格 BGM	Pixabay Content License，可商用，不可原樣再散布
Incompetech	經典免費配樂庫	CC-BY 4.0 需署名；也可付費免署名
NCS	電子音樂	面向內容創作者需署名；遊戲內商用需另購授權

一個實用做法：用免費庫中接近的素材做「參考風格」，再在提示詞裡寫「類似 XX 的質感」，比純憑文字描述更容易一次到位。

結語

配音、音效、配樂分開外包時，最貴的不是單條素材，而是三條鏈路之間的反覆對齊。把生成、裁剪、分割、掛接、匯出放在同一塊畫布上，團隊可以在原型期就聽到完整回饋，再決定哪些素材值得替換成真人錄製或專業製作。

提示詞的核心只有一句：說清楚角色、感覺、空間、時長和用途。按這個順序寫，返工會明顯減少。

在 VberAI Studio 裡試一遍上面的哥德案例，比較生成結果與預期效果的差距，再回來調整自己的提示詞模板。