讓 Claude 自己幫影片配音效:earshot 實測(252 個免版權音效+自動檢查)
影片做好了,但總覺得哪裡很「便宜」?很多時候不是畫面的問題,是沒有音效。卡片飛進來沒有聲音、按鈕按下去沒有聲音,看起來就像投影片在換頁。
以前補音效要到處找素材網站、下載、對時間軸、再調音量,一支片可以花掉半天。這次我把這件事整個交給 Claude,用的是一個叫 earshot 的開源工具。下面是我實際用在自己課程宣傳片上的過程和設定。
我實測的版本:earshot 0.4(2026 年 11 月),在 Mac 上只用 CPU 跑。
earshot 是什麼
earshot 是 GitHub 上的開源專案(MIT 授權,我看的時候有 3.6k 星),它的定位是「給寫程式的 AI 一對耳朵」。它做兩件事:
- 做音效:內建一個 252 個音效的音效庫,每個音效都是用程式「算」出來的,不是錄音檔。點擊、跳通知、卡片飛入的 whoosh、完成的叮咚、重擊、螢光筆劃過的 swish 都有。因為是程式生出來的,沒有版權問題,也不需要網路。
- 聽音效:它可以把一段聲音或一整支影片「聽」一遍,用文字告訴 AI 這段聽起來像什麼、音量夠不夠、聲音有沒有對準畫面。AI 本來聽不到聲音,有了它就能自己檢查成品。
我怎麼用:先配、再讓它自己聽
我的影片是用程式產生的(HTML 動畫 + ffmpeg),所以每個畫面變化的時間點本來就知道。流程是:
- 列出畫面上會「動」的時間點:鉤子文字彈出、派工按鈕、跳出提問視窗、全部完成、課程卡飛入、螢光筆劃過、最後的留言畫面。
- 每個時間點挑一個音效 ID,例如
click/soft(按鈕)、notify/mid_tine(跳通知)、whoosh_big/thump_airy(卡片飛入)、swish/bright(螢光筆)、cut_hit/punch(結尾重擊)。 - 讓每個音效「最響的那一下」對準畫面,而不是從音效檔開頭對齊。earshot 的音效庫有標每個音效的峰值時間,這一步很關鍵,不然會覺得聲音慢半拍。
- 混音完,叫 earshot 用
critique把整支片聽一遍。
我這支課程片總共放了 14 個音效。
它自己抓到的問題
earshot critique 會拿成品跟一組專業發表影片的數據比較,列出一張評分表。我的第一版大部分都過了:
- 音效對到畫面變化的比例:100%
- 第一個聲音出現的時間:0.04 秒
- 結尾沒有死寂空白
但它標了一個 major:整支的響度只有 -17.2 LUFS,網路影片一般在 -14 左右,等於整支聽起來偏小聲。我在混音最後加了一段響度標準化,第二版量出來是 -13.9 LUFS,問題解決。
這就是「讓 AI 自己聽」的價值:我自己戴耳機聽,只會覺得「好像還行」,不會知道它比一般影片小聲了 3 dB。
安裝步驟
需要 Python 3.10 以上,電腦裡要有 ffmpeg。不需要顯示卡。
git clone https://github.com/Leonxlnx/earshot && cd earshot
python -m venv .venv
.venv/bin/python -m pip install torch --index-url https://download.pytorch.org/whl/cpu
.venv/bin/python -m pip install -e ".[mcp]"
.venv/bin/python -m earshot doctor --load
第一次用到「聽」的功能時,它會下載兩個開源模型(大約 1.1 GB)。只用音效庫(sfx)跟量音量(measure)的話不用下載模型。
想讓 Claude Code 直接呼叫它,加成 MCP:
claude mcp add earshot --scope user -- /你的路徑/earshot/.venv/bin/python -m earshot mcp
常用指令
earshot sfx list --kind whoosh # 看有哪些 whoosh 音效
earshot sfx render ui_pop/soft -o pop.wav # 產生一個音效檔
earshot measure 影片.mp4 # 量響度(LUFS)、峰值
earshot critique 影片.mp4 # 整支聽一遍,給評分表跟修正建議
直接貼給 Claude 的指令
裝好之後,可以直接這樣跟 Claude 說:
幫這支影片配音效。先列出畫面上每個會動的時間點,從 earshot 的音效庫挑適合的音效,讓每個音效的峰值對準畫面,音量要比旁白小。混好之後用 earshot critique 聽一遍,把它標成 major 的問題修掉,最後響度做到 -14 LUFS。
我的建議
- 不要每個畫面都塞音效。一支 30 秒的片,十來個就夠,旁白講話的時候音效要小。
- 按鈕、跳通知用短的 click/pop,換場用 whoosh,結尾用一個重擊,這三種就能讓片子質感差很多。
- 一定要量響度。沒量過的片,常常整支偏小聲,觀眾會直接滑走。
參考來源:github.com


