ElevenLabs Instant Soundtracks 上線：影片自動配樂與音效，剪輯師怎麼驗收？
Instant Soundtracks 可根據影片生成配樂並安排音效，也能參考原音。本文整理 ElevenLabs 的新功能、分軌輸出與 API 限制，提供短片製作與聲音驗收的實用流程。
Instant Soundtracks 是 ElevenLabs 推出的影片聲音生成功能，會根據你上傳的畫面創作配樂，再找出需要音效的時刻，把聲音放到對應位置。
做短片時，聲音常在畫面剪好之後才開始處理。因為配樂需要找段落、音效又得逐一對齊，原本幾十秒的作品，也可能花很多時間才能聽起來完整。
這次更新把兩項工作接在一起，讓創作者先取得一個可修改的聲音版本。官方也提供原音參考，讓新配樂朝既有素材的氣質靠攏。
但聲音放在時間軸上，不代表它就適合你的影片。節奏是否搶走旁白、音效是否過量，以及畫面改動後是否仍對得上，仍需要剪輯者判斷。
對社群短片、產品展示與概念提案，這類工具有助於快速建立聲音方向。若是客戶正式成片，應保留分軌與修改空間，避免把第一次生成的結果直接當定案。
要知道它能省下哪一段工作，先看影片、配樂與音效是怎樣互相配合的。
Instant Soundtracks 如何同時產生配樂與定點音效？
配樂提供整段影片的情緒與節奏，音效則對應特定事件，例如物件落下、門被推開或鏡頭切換。兩者一起設計，才能讓觀眾感覺聲音屬於同一支作品。
根據 ElevenLabs 官方公告，系統會先為影片生成原創音樂，再分析畫面，將適合的音效放到相應時間點。
畫面有動作，不代表每次都需要聲音
例如產品影片裡連續出現很多介面切換，如果每一次都放強烈提示音，觀眾反而難以分辨重點。因此自動產生的音效應當作候選，再依敘事目的刪減。
對一支介紹新功能的短片，只有成功完成任務的那個畫面需要明顯音效，其餘操作可以保留較弱的聲音。因為音量和密度會引導注意力，少一點有時更清楚。
官方提供調整與刪除音效的編輯能力，正好讓創作者保留這種選擇。先有聲音版本，再人工整理節奏，會比反覆要求模型一次全部猜中更容易控制。
配樂與音效要能分開交付
如果客戶只想更換背景音樂，卻希望保留所有動作音效，混成單一檔案就不方便。因此分軌輸出對後續修改特別重要。
分軌是把不同聲音放在獨立音訊檔，剪輯師就能分別調整音量、剪接或替換。官方說明音樂與音效可以分層，API 也有輸出分開音軌的選項。
這讓生成結果更接近製作流程中的素材，而不是只能整段接受的成品。因為修改不必從零重來，團隊較有機會把快速生成轉成穩定交付。
原音參考如何用？哪些結果還要人工判斷？
原音參考的用途，是讓新配樂參考原本音訊的特徵。若影片已經有粗剪節奏或暫用音樂，就能用它傳達方向，減少只靠抽象文字描述的落差。
但參考音訊不等於取得該音訊的權利，也不能保證新版本會重現你喜歡的每一個細節。製作時仍要清楚說明想保留的是節奏、情緒還是段落起伏。
把想要的感覺連到畫面用途
「有科技感」很容易產生不同解讀，因為有人想到冷調電子音，也有人想到明亮、快速的節奏。若加上「前段留空給旁白，產品出現後才加強節拍」，修改方向就明確得多。
同樣地，一段訪談需要讓人聽清楚說話，一支動作展示則可能依賴節奏推進。因此選音樂前，先決定觀眾應該聽什麼，才不會被精采配樂搶走內容。
這些是製作上的判斷方法，不是模型保證會自動做到的規格。你仍需要聽完整段影片，確認生成結果符合原來目的。
保留有意義的現場聲音
影片原本可能有呼吸、環境或產品實際運作聲，這些資訊有時比新音效更重要。若全部覆蓋，作品雖然乾淨，卻可能失去真實感。
例如咖啡機展示裡的啟動聲，可以幫觀眾理解設備動作。如果生成的聲音改變了機器原本特徵，便可能造成錯誤印象，所以要先判斷哪些聲音必須保留。
建議在試作時保留一份原始音軌，再把新生成內容分開疊加。這樣比較版本時，才能知道改善了什麼，也方便退回。
從粗剪到聲音版本，怎麼安排流程？
影片的長度與鏡頭順序先穩定，才適合生成較完整的聲音版本。因為每次調整鏡頭長度，都可能讓音效位置和音樂轉折需要重新處理。
可以先用低風險素材做一支短片，確認剪接節奏，再交給 Instant Soundtracks 建立聲音。這會讓試用重點落在配樂與音效，而不是同時修改所有製作環節。
用同一支三十秒短片安排聲音
以一支假想的三十秒咖啡機介紹片為例，前段說明用途，中段展示啟動與出杯，最後放產品名稱。可以先依這三段各自要傳達的資訊，安排聲音角色。
前六秒若有旁白介紹產品，配樂就先負責建立氣氛，避免太密集的節拍與說話搶位置。生成後先單聽旁白是否清楚，再把音樂加回來，才容易知道是哪段聲音造成干擾。
第七秒到第二十秒展示機器運轉，可以先標出按下按鈕、開始出水與杯子放定的位置。原片若已錄到清楚的機械聲，就先保留，生成音效只補真正需要強調的動作。
這樣聽到的聲音才不會把機器描述成另一種產品。例如原本運作安靜，卻加上很響的馬達聲，觀眾可能誤判噪音；聲音雖然對上時間，傳遞的資訊仍然不對。
最後十秒若以產品名稱與一句重點收尾，音樂可以順著畫面形成結束感。這裡不一定還需要新的操作音效，應先確認觀眾能讀完文字，而不是追著每個聲音找事件。
把這三段意圖記在剪輯專案裡，再與生成版本比較，就能指出具體修改。像是旁白區要降低哪一段音樂、哪個音效該刪，會比只說整支影片不夠高級更容易執行。
分軌在這時就有作用：機械聲不合適，可以只換音效檔；音樂轉折太早，則處理配樂軌。API 的分檔輸出提供這種後續修改空間，但不代表所有剪輯決策會自動完成。
若客戶把中段鏡頭縮短兩秒，原本的音效位置便要重新核對。先確認畫面新版本，再調整聲音，才能避免改了配樂卻仍配著上一版影片的動作。
最後各聽一版只留原音、加入生成聲音的成片，記下新版本補了什麼、蓋掉什麼。比較的重點是資訊與節奏是否更清楚，不是生成音效數量越多就越成功。
API 與編輯器的工作方式不同
API 是讓程式直接呼叫服務的介面，適合要批次處理多支素材的團隊。編輯器則方便人逐項聽取和調整，兩者應依工作量選擇。
官方公告列出 ElevenCreative、ElevenMusic 與 Studio API 等入口。但不同入口的方案與操作方式，仍要分別對照實際文件，不能把其中一個畫面的設定套到全部服務。
公告列出的 API 輸入限制，是每次最多十支影片、總計 200MB 與十分鐘。這些限制針對該介面請求，不代表所有影片編輯產品都採用完全相同的上限。
批次輸出仍需要逐支核對
假設同時處理五支產品短片，最好每支保留獨立檔名、來源影片版本和生成日期。因為音訊檔的長度可能很接近，一旦配錯影片，單看檔案列表不容易發現。
API 的 separate_tracks 選項可輸出包含分開音樂與音效檔的壓縮包。拿到檔案後，仍應確認每支影片的對應關係，再匯入剪輯專案。
下表可以作為一個短片聲音交接的起點。
| 階段 | 應保留的東西 | 為什麼需要 |
|---|---|---|
| 送入生成前 | 已確認的畫面版本 | 確認聲音對應哪次剪輯 |
| 生成後 | 音樂與音效分軌 | 支援局部修改 |
| 人工編修後 | 完整剪輯專案 | 保存音量與剪接決策 |
| 最終輸出 | 成片與版本紀錄 | 避免交付錯誤檔案 |
表格裡的版本紀錄，會在客戶要求「改回上一版音樂」時發揮作用。因為你保留的是可修改素材，改版就不必重新猜測當時怎麼做。
公開影片前要檢查哪些聲音細節？
聲音驗收最好先聽人聲，再聽音效，最後檢查整體節奏。因為旁白一旦被蓋住，觀眾就無法理解內容，再漂亮的配樂也救不回資訊。
先用耳機聽一次，再用手機喇叭重播。某些低頻或左右聲道細節，在小喇叭上可能不明顯，所以只用製作設備檢查，未必反映觀眾體驗。
檢查音效是否提供正確資訊
門關上、腳步停下或按鈕完成，都有明確的動作時間。若音效提早或延後，觀眾會感到不自然，因此應對照畫面逐一確認重要節點。
也要留意生成音效是否暗示不存在的事件。例如畫面只是展示靜態產品，卻出現啟動或碰撞聲，就可能讓觀眾誤解產品行為。
這不是要求所有作品都追求紀錄片式真實，而是讓聲音選擇符合內容目的。概念動畫可以誇張，但產品操作示範應避免造成錯誤理解。
檢查權利與使用方案
官方使用「原創音樂」描述生成內容，不代表任何素材、角色或商業用途都自動獲得授權。若影片要投廣告或交給客戶，應依實際使用方案核對條款。
可以保存生成服務、方案、來源素材與授權紀錄。因為成片日後可能跨平台使用，知道每一段聲音從哪裡來，才方便處理新的用途。
延伸閱讀
延伸閱讀：Mirelo SFX 2.0 發布：保留對白、重做影片聲音，十分鐘長片怎麼驗收？
延伸閱讀：Claude Code 剪影片教學：搭配 HyperFrames 自動加字幕、動畫與輸出 MP4
Instant Soundtracks 常見問題
可以完全取代音效師嗎？
它可以先建立聲音版本，但敘事、混音與修改仍需要判斷。越是重視品牌風格或複雜場景的作品，越需要人決定什麼該保留。
生成後可以只換音樂嗎？
官方提供分軌方向，API 也有相關輸出選項。製作時先保留音樂與音效的獨立檔案，才比較容易局部修改。
畫面改了之後，原音軌還能沿用嗎？
可能需要重新對齊。因為聲音跟著時間位置安排，鏡頭長度或順序改變後，就要再檢查動作節點與音樂轉折。
把自動配樂當成可編修素材，價值才會留下來
Instant Soundtracks 最實用的地方，是縮短建立第一個聲音版本的時間。對要反覆改稿的創作者，分軌、版本和人工聽取，才會決定它能否進入正式工作流程。
先用一支短片測試，記錄生成後還需要多少調整，再比較原來的製作時間。想追蹤更多 AI 影音工具與剪輯實務，可以免費訂閱 AI 郵報。
