多轨混音入门：人声、BGM、环境音分层调节

1. 为什么“分层”比“好听”更重要：掩蔽预算的提出

多数混音入门教程把注意力放在单轨处理上：人声加压缩、BGM加均衡、环境音加混响。但真正决定成品质量的，是多个轨道同时播放时的相互干扰。听觉系统在同一时间、同一频段内对声音的解析能力是有限的，当两个声源的能量在临界频带内重叠时，较强的一方会抬高较弱一方的听阈，这就是掩蔽效应。本文把这一物理限制转化为工程概念：掩蔽预算。

所谓掩蔽预算，是指在一个给定的时间—频率单元内，允许被“占用”的能量额度。人声承担语义信息，优先级最高；BGM承担情绪与节奏，优先级次之；环境音承担空间真实感，优先级最低。三者不是简单按音量比例分配，而是按信息不可替代性分配。本文评述：把混音理解为“资源分配问题”，比理解为“审美问题”更容易形成可复现的流程，也更容易在团队协作中交接。

从标准层面看，ITU-R BS.1770给出了节目响度的客观测量方法，EBU R128则把它落到播出与流媒体交付场景中。这些标准解决的是“整体响度一致性”，并不直接解决“层间掩蔽”。笔者认为，二者需要结合：先用掩蔽预算做层间分工，再用LUFS做整体校验，顺序不能颠倒。若先压总响度，往往会把人声与BGM一起压扁，反而加剧掩蔽。

本文主线：掩蔽预算 = 频段预算 × 时间预算 × 响度预算 × 空间预算。四个维度任一失控，都会导致“单轨好听、合起来糊”。

2. 听觉基础：临界频带、掩蔽曲线与可懂度指标

2.1 临界频带与Bark尺度

人耳基底膜对不同频率的响应并非线性，Zwicker等人提出的临界频带概念把20 Hz–20 kHz划分为约24个Bark带。同一临界频带内的两个声音会相互掩蔽，跨频带掩蔽则弱得多。工程含义很直接：如果人声的2–4 kHz清晰度频段被BGM的吉他或合成器pad占满，即使BGM总音量不高，人声也会“退后”。

本文评述：很多入门者用“整体音量推子”解决清晰度问题，这是效率最低的做法。更有效的做法是先在频段预算表上给2–4 kHz留出人声专属窗口，再决定BGM在该窗口需要衰减多少。这比反复推总音量更稳定，也更容易在不同播放设备上保持一致。

2.2 掩蔽曲线与时间掩蔽

掩蔽分为同时掩蔽与非同时掩蔽。非同时掩蔽又分前掩蔽（约5–20 ms）与后掩蔽（约50–200 ms）。这意味着人声出现前的极短时间窗口内，BGM的瞬态会削弱人声起音的辨识度；人声结束后的一小段，环境音的尾巴也可能干扰下一句的进入。工程上可用自动化包络在语句间隙对BGM做1–3 dB的微降，而不是全程压低。

2.3 可懂度指标：STI、STOI与语音传输指数

语音传输指数（STI）源自建筑声学，用于评估房间内语音可懂度；短时客观可懂度（STOI）则是语音增强领域常用的客观指标。近三年不少研究把STOI用于音乐背景下的语音可懂度评估。需要说明的是，STOI主要面向语音增强算法评测，直接套用到音乐混音需要谨慎。笔者认为，混音工程可以借用其思想——关注“调制传递”而非单纯信噪比——但不必把STOI数值当作交付标准。

3. 素材预处理：降噪、去齿音、对齐与相位检查

3.1 人声预处理链

推荐顺序：降噪→高通→去齿音→压缩→均衡。降噪建议使用基于谱减或深度学习的工具，但要注意过度降噪会产生“水声”伪影，反而增加掩蔽。高通滤波通常设在80–100 Hz，男声可到70–80 Hz，女声可到90–110 Hz，具体以听感无空洞为准。去齿音针对5–8 kHz的齿音能量，建议用动态均衡而非静态衰减。

本文评述：预处理阶段最容易被忽视的是“增益分级”。如果录音峰值只有-24 dBFS，后续压缩器会工作在异常区间，噪声也被一起放大。建议录音峰值控制在-12至-6 dBFS，平均在-18 dBFS左右，为后续处理留出余量。

3.2 BGM与环境音的预处理

BGM需要先确认是否已有版权授权，再检查采样率与位深是否与工程一致。环境音常见问题是低频隆隆声与直流偏移，建议先做20–30 Hz高通与直流去除。若环境音来自多个片段拼接，需要做交叉淡化并检查相位，否则会出现梳状滤波，在频谱上表现为规律凹陷。

3.3 相位与对齐检查

多轨混音中，相位问题常被低估。两只麦克风录同一人声、或BGM与和声轨存在微小延迟时，叠加后低频会抵消。检查方法：把相关轨道反相后播放，若低频明显减少，说明存在相位问题。修正手段包括微调延迟、使用全通滤波器或直接取舍。

4. 频段预算表：人声、BGM、环境音的频谱分工

频段预算表是掩蔽预算的核心工具。它不是固定公式，而是一张按素材类型分配优先级的参考表。下表给出常见播客/短视频场景的起始值，实际需按素材调整。

本文评述：频段预算表的价值在于把“感觉”变成“可检查项”。每次混音前先填表，混音后逐项核对，能显著减少反复推倒重来。需要注意，表中数值是起始参考，不是硬性标准；不同语言、不同性别、不同录音环境都会改变最佳区间。

5. 动态分层：压缩、侧链与自动化包络

5.1 人声压缩：稳定而非压扁

人声压缩的目标是稳定动态，使语句之间响度一致。起始参数：阈值-18至-12 dBFS，压缩比2:1至4:1，启动时间5–15 ms，释放时间80–200 ms。若追求更自然的效果，可用串联压缩：第一级轻压缩控制峰值，第二级慢压缩控制整体。

5.2 侧链压缩：让BGM给人声让路

侧链压缩是多轨混音中最直接体现掩蔽预算的工具。把人声作为侧链触发源，控制BGM的增益衰减。起始参数：阈值-24至-18 dBFS，压缩比2:1至3:1，启动时间10–20 ms，释放时间150–300 ms。释放时间过短会导致BGM“抽吸”感，过长则人声结束后BGM恢复太慢。

本文评述：侧链压缩不是万能药。如果BGM在2–4 kHz本身能量过高，侧链只能整体压低，仍会残留掩蔽。正确顺序是先用均衡做频段让位，再用侧链做动态让位。二者叠加，才能既保持BGM的完整感，又保证人声清晰。

5.3 自动化包络：语句间隙的精细控制

对于播客、有声书等以人声为主的内容，建议在语句间隙对BGM做1–3 dB的自动化微降，而不是全程侧链。这样BGM在无人声时能自然恢复，听感更松弛。环境音同理，可在人声进入前50–100 ms做淡入，避免前掩蔽。

6. 空间分层：声像、混响与早期反射的分配

6.1 声像分配原则

人声通常居中；BGM可做宽但中置信息不宜过强；环境音可铺满立体声场。若人声与BGM都在中置，掩蔽会更明显。建议BGM的中置成分适当降低，把能量推向两侧，为人声让出中央通道。

6.2 混响分层

混响是空间分层的主要手段，但也是最容易造成掩蔽的手段。人声混响建议短而克制，预延迟20–40 ms，衰减时间0.8–1.5 s；BGM混响可稍长；环境音则可用更长的衰减营造空间感。三者混响若在同一频段重叠，会形成“糊”的听感。

本文评述：混响的本质是时间维度上的能量扩散。它不直接增加响度，但会增加掩蔽。因此，混响预算应纳入掩蔽预算统一管理，而不是单独追求“空间感”。

7. 响度与总线：LUFS、真峰值与交付校验

ITU-R BS.1770定义的响度测量已成为行业基础，EBU R128建议播出节目整体响度-23 LUFS，流媒体平台则各有标准：Spotify约-14 LUFS，Apple Music约-16 LUFS，YouTube约-14 LUFS。真峰值建议不超过-1 dBTP，避免转码削波。

本文评述：响度标准解决的是“跨曲目一致性”，不解决“层间清晰度”。正确的流程是：先完成层间掩蔽预算，再在总线上做响度归一化。若顺序颠倒，归一化会把已经压扁的动态进一步固化，后期很难补救。

8. 工程案例：播客、短视频与游戏对白的三种配置

8.1 播客：人声优先，BGM克制

人声-16 LUFS，BGM比人声低12–18 dB，环境音仅在转场使用。侧链压缩比2:1，释放200 ms。2–4 kHz给BGM做3 dB衰减。

8.2 短视频：节奏优先，人声清晰

整体-14 LUFS，BGM比人声低8–12 dB，但可在无人声段落恢复。环境音用于增强场景感，音量比人声低15–20 dB。

8.3 游戏对白：动态范围优先

对白-18 LUFS，BGM与环境音按场景动态调整。由于游戏音频是交互式的，掩蔽预算需要做成实时参数，而非固定值。

9. 前沿与预判：AI分离、个性化响度与实时掩蔽补偿

近三年，音乐源分离（MSS）与语音增强进展迅速。Demucs、Open-Unmix等开源模型已能较好分离人声、鼓、贝斯与其他乐器。这类工具对混音的意义在于：可以把已有成品拆成 stems，再重新做掩蔽预算。但分离伪影仍存在，尤其是镲片与齿音区域。

个性化响度是另一个方向。不同耳机、不同听力曲线会导致同一混音在不同听众处呈现不同掩蔽效果。已有研究尝试根据用户听力图做实时补偿。笔者认为，这一方向在消费级音频中有潜力，但在专业交付中仍需以标准监听环境为准。

实时掩蔽补偿则更接近工程落地：在播放端根据内容类型动态调整层间增益。游戏音频引擎已具备类似能力，未来可能扩展到流媒体播放器。

10. 检查清单与常见误区

常见误区包括：用总音量推子解决清晰度；过度降噪导致伪影；混响过量造成掩蔽；忽略相位问题；先压响度再做层间处理。本文评述：这些误区的共同点是“把混音当成单轨处理的集合”，而不是“多轨资源分配”。

11. 参考文献与声明

本文内容仅为作者学习、思考、经验、笔记的总结，仅供技术交流与参考。文中观点仅代表笔者个人思辨，不构成任何学术建议、商业建议或专业建议。所有数据来源已标注，引用时请以原始文献为准。