背景音乐添加与音量平衡：BGM 20-40%、人声优先的黄金比例

一、问题的起点：为什么“BGM 20-40%”值得被当作一个工程命题

在视频剪辑软件里，背景音乐轨道的音量滑块通常以百分比或分贝两种方式呈现。很多教程会给出一个笼统的建议：把 BGM 调到 20%–40%，人声保持在 0 dB 附近。这个数字看起来像是经验之谈，但它背后其实对应着一组可以被测量、被推导、被复现的声学约束。把它当作工程命题而非“手感问题”，是本文的出发点。

先说清楚一个前提：音量滑块上的“20%”并不是声压级的 20%，也不是功率的 20%。在多数非线性映射的推子上，20% 的位置可能对应 −14 dB 到 −20 dB 不等的实际增益衰减，具体取决于软件厂商的推子曲线设计。因此，讨论“20%–40%”时必须先把它翻译成分贝，否则跨软件、跨平台的沟通会完全失效。本文后续统一采用 dBFS（相对满刻度的分贝）作为计量单位，百分比仅作为界面操作的近似指代。

那么，为什么人声与 BGM 之间需要一个相对固定的比例关系？核心原因在于人类听觉系统对语音信号的解码具有“脆性”。语音的可懂度依赖于辅音的能量爆发、元音的共振峰结构以及音节之间的时间包络，这些特征在频谱上分布不均，且对掩蔽极为敏感。当背景音乐在中频段（约 500 Hz–4 kHz）堆积过多能量时，语音的辅音信息会率先被“盖住”，听者主观上会觉得“人声发闷、听不清词”，即便整体响度并没有明显下降。

本文评述：把 BGM 比例问题归结为“审美偏好”是一种常见的偷懒。事实上，只要内容的目标是“让人听清说话”，就存在一个由听觉生理决定的客观下限和上限。20%–40% 之所以反复出现在各类实践中，正是因为它大致落在这个客观区间内。但它不是万能常数，而是需要根据人声类型、音乐频谱、播放环境和目标平台动态调整的基准值。

1.1 一个被低估的成本：听不清带来的注意力损耗

从信息传播的角度看，人声与 BGM 的失衡会直接抬高听众的“认知负荷”。当语音可懂度下降时，大脑需要调用额外的注意力资源去补全缺失的音节，这种补偿过程会挤占用于理解内容语义的工作记忆。结果就是：听众不是“觉得吵”，而是“听着累”，进而在几十秒内流失。

这一点在移动端场景中尤为明显。手机外放扬声器的低频响应普遍较弱，中高频相对突出，这会让某些在监听耳机上听起来平衡的混音，在手机上变得人声更“尖”或音乐更“吵”。因此，任何关于 BGM 比例的讨论，都必须把“目标播放设备”作为一个显式变量纳入进来，而不是假设存在一个放之四海皆准的数值。

1.2 本文的分析主线

为了让后续章节不流于零散技巧的堆砌，这里先明确贯穿全文的主线：响度平衡的本质，是在人声可懂度约束下，对频谱掩蔽与动态余量的联合优化。这条主线包含三个可操作的子问题：第一，人声在哪些频段最需要被保护；第二，BGM 在这些频段需要衰减多少；第三，如何在不牺牲音乐完整性的前提下实现这种衰减。后续每一章都会回到这三个子问题上。

二、理论地基：等响曲线、掩蔽效应与可懂度

要理解 BGM 比例，必须先理解人耳如何“分配注意力”。这一节梳理三个基础概念：等响曲线、听觉掩蔽和语音可懂度。它们共同构成了 20%–40% 区间的理论依据。

2.1 等响曲线：为什么低频可以“多给一点”

等响曲线（Equal-loudness contour）描述了在相同主观响度下，不同频率所需的声压级差异。经典的 ISO 226 标准给出了这一关系的标准化描述，其最新修订版本整合了多国实验室的听音数据。曲线的核心特征是：人耳对 2 kHz–5 kHz 附近最敏感，对低频（100 Hz 以下）和高频（10 kHz 以上）则明显迟钝。

这一特性对混音有直接含义：在相同的主观响度下，低频需要更高的声压级才能被感知。因此，BGM 中的低频成分（如底鼓、贝斯）即使能量较高，也不容易与人声的中频信息产生直接冲突；真正危险的是 1 kHz–4 kHz 这个“人声核心区”，人耳在这里最敏感，掩蔽也最容易发生。

本文评述：很多创作者凭直觉把 BGM 整体压低，结果音乐变得“没有存在感”，而人声依然不够清晰。更有效的做法是分频段处理——在低频保留甚至略微提升音乐的能量，在中频对人声核心区做针对性衰减。这正是后文动态均衡与多段压缩的理论依据。

2.2 听觉掩蔽：同时掩蔽与时间掩蔽

听觉掩蔽（Auditory masking）是指一个声音（掩蔽声）导致另一个声音（被掩蔽声）的听阈升高的现象。它分为两类：同时掩蔽（频域掩蔽）和时间掩蔽（时域掩蔽）。

同时掩蔽的规律是：掩蔽声在频率上越接近被掩蔽声，掩蔽效果越强；掩蔽声的声压级越高，掩蔽范围越宽。对于语音而言，BGM 中与人声基频（男声约 85–180 Hz，女声约 165–255 Hz）及共振峰（主要在 500 Hz–3 kHz）重叠的成分，是最主要的掩蔽源。

时间掩蔽则涉及前后向掩蔽：掩蔽声结束后的一小段时间内（约 50–200 ms），被掩蔽声的听阈仍会升高，称为后向掩蔽；掩蔽声出现前的一小段时间（约 20 ms）也存在前向掩蔽。这意味着，如果 BGM 在音节间隙出现瞬态能量（如鼓点、镲片），会“污染”紧随其后的辅音，导致听感上“字咬不清”。

笔者认为，时间掩蔽是许多创作者忽视的维度。它解释了为什么有些 BGM 整体音量并不高，却依然让人觉得“人声被压住”——问题出在瞬态的时间对齐上，而非稳态响度。解决思路包括：选择瞬态较弱的音乐、对 BGM 做瞬态整形（transient shaping）、或利用侧链压缩让 BGM 在人声出现时快速让路。

2.3 语音可懂度：STI 与 SII 的启示

语音可懂度有成熟的客观测量体系。语音传输指数（Speech Transmission Index, STI）通过调制传递函数评估传输通道对语音包络的保真程度，取值 0–1，通常 0.6 以上被认为可懂度良好。语音可懂度指数（Speech Intelligibility Index, SII）则基于频带重要性函数，计算各频带信噪比贡献的加权和。

这些指标原本用于建筑声学和通信系统，但其核心思想对内容混音同样适用：语音可懂度不是由整体信噪比决定的，而是由各频带信噪比的加权组合决定的。换句话说，把 BGM 整体降低 6 dB，和只在人声关键频段降低 6 dB，对可懂度的提升效果可能相近，但对音乐听感的破坏程度却大不相同。

概念	核心含义	对 BGM 平衡的启示
等响曲线	不同频率达到相同主观响度所需的声压级不同	低频可多留，中频需谨慎
同时掩蔽	频域接近的声音相互掩盖	避开人声共振峰频段
时间掩蔽	掩蔽声前后一段时间内听阈升高	控制 BGM 瞬态，避免污染辅音
STI / SII	基于频带加权的可懂度指标	分频段优化优于整体压低

三、响度标准化：LUFS、真峰值与动态范围

如果说第二节回答的是“为什么”，这一节回答的是“用什么量”。在数字音频工作流中，LUFS 已经成为跨平台响度标准化的通用语言。理解它，是把“20%–40%”从模糊手感转化为可复现参数的前提。

3.1 LUFS 与 ITU-R BS.1770

LUFS（Loudness Units Full Scale）源自 ITU-R BS.1770 建议书及其后续修订，其计算过程包括 K 频率加权、声道加权和门限门控。K 加权模拟人耳对中频的敏感度，门控机制则排除静音段对平均值的拉低。相比传统的 RMS 或峰值表，LUFS 更接近人耳对“整体响度”的主观感受。

主流平台已给出明确的响度目标：YouTube 通常将内容标准化到约 −14 LUFS，Spotify 约 −14 LUFS，Apple Podcasts 建议约 −16 LUFS（立体声），广播领域 EBU R128 规定 −23 LUFS，ATSC A/85 规定 −24 LKFS。这些数值是平台播放时的目标，而非创作时的强制值，但了解它们有助于预判上传后的响度变化。

本文评述：平台标准化是一把双刃剑。如果创作者把人声推到 −10 LUFS 而 BGM 相对很低，上传后平台可能整体压低，导致动态被压缩、听感变“扁”。更稳妥的策略是：在混音阶段就把整体响度控制在目标平台附近，并保留足够的动态余量，而不是依赖平台的事后处理。

3.2 真峰值与削波风险

真峰值（True Peak）考虑了数模转换过程中的采样间峰值，单位 dBTP。ITU-R BS.1770 建议真峰值不超过 −1 dBTP，以避免在编码和播放环节产生削波。对于人声与 BGM 叠加的内容，这一点尤其重要：两轨叠加后峰值可能比单轨高出 3–6 dB，如果前期没有预留余量，很容易在副歌或情绪高点出现失真。

操作建议：在总线上保留 −6 dB 左右的余量进行混音，最终输出前再用限幅器把真峰值控制在 −1 dBTP 以内。这样既保护了瞬态，也避免了平台转码时的意外削波。

3.3 动态范围：被比例数字掩盖的变量

同样是人声与 BGM 相差 12 dB，动态范围宽的人声（如轻声细语到高声强调）和动态范围窄的人声（如持续平稳的旁白），对 BGM 的要求完全不同。前者需要 BGM 在轻声段更“让路”，后者则可以保持相对稳定的 BGM 电平。

因此，一个负责任的混音流程应该先测量人声的动态范围（可用短时 LUFS 的最大值与最小值之差近似），再决定 BGM 是采用固定增益还是动态跟随。这也是后文侧链压缩与自动化包络的用武之地。

四、20%–40% 区间的来源与边界条件

现在回到核心数字。20%–40% 这个区间并非凭空而来，它可以从三个角度交叉验证：主观听音实验的普遍结论、广播与播客行业的实践惯例、以及可懂度指标的推算。

4.1 从主观听音到工程惯例

在广播和播客制作中，人声与背景音乐的电平差通常落在 10–20 dB 之间。若以人声平均响度为 0 dB 参考，BGM 大致在 −10 dB 到 −20 dB。换算成线性比例，−10 dB 约等于 32%，−20 dB 约等于 10%。这与“20%–40%”的区间大致吻合，但更精确的表述应该是“BGM 比人声低 10–18 dB”。

需要强调的是，这里的“低 10–18 dB”指的是平均响度差，而非峰值差。音乐的高潮段峰值可能远高于平均值，如果只看峰值，会误判 BGM 的实际掩蔽程度。因此，测量时应使用 LUFS 或 RMS 平均值，而非峰值表。

4.2 边界条件：什么时候需要突破区间

20%–40% 是基准，不是教条。以下情况需要主动偏离：

• 音乐是内容主体时：如音乐赏析、舞蹈教学，BGM 可能需要提升到与人声接近甚至更高的水平，此时人声反而成为“解说层”。
• 人声为耳语或 ASMR 时：人声能量低、频谱特殊，BGM 需要压得更低，甚至低于 10%。
• 环境嘈杂的播放场景：如车载、健身房，低频环境噪声会掩蔽人声低频，此时可适当提升人声的中高频而非整体降低 BGM。
• 音乐频谱与人声高度重叠时：如钢琴独奏、弦乐长音，即使 BGM 电平不高，也可能造成明显掩蔽，需要额外做频谱避让。

本文评述：把 20%–40% 理解为“默认值”而非“正确答案”，是专业与业余的分水岭。专业流程会先测量、再判断、后调整，而不是套用一个固定数字。区间的作用是缩小搜索范围，而不是替代判断。

4.3 一个可操作的标定流程

下面给出一个从零开始的标定流程，适用于大多数“人声为主、音乐为辅”的内容：

1. 将人声轨道的平均响度标定到目标平台附近（如 −16 LUFS）。
2. 将 BGM 轨道初始设置为比人声低 15 dB。
3. 播放一段包含人声与 BGM 的典型片段，用监听耳机和手机外放各听一遍。
4. 若人声清晰但音乐“消失”，将 BGM 提高 2–3 dB；若人声发闷，将 BGM 降低 2–3 dB。
5. 重复第 3–4 步，直到在两种设备上都能听清人声且音乐有存在感。
6. 记录最终的 LUFS 差值，作为后续同类内容的起点。

五、分场景增益标定：播客、短视频、直播、游戏

不同内容形态对“人声优先”的要求并不相同。这一节按场景给出更具体的参数建议。需要说明的是，以下数值是基于行业实践与公开技术文档的整合建议，属于工程参考值，实际使用时应结合具体素材试听调整。

5.1 播客与有声书

播客以长时间语音为主，听众往往在通勤、运动等场景收听，环境噪声不可控。因此，人声可懂度的优先级最高。建议人声平均响度 −16 LUFS 左右，BGM 比人声低 15–20 dB，且在片头片尾等无人声段落可适当提升 BGM 以增强氛围。

有声书对可懂度的要求更高，BGM 通常只在章节切换处出现，正文部分建议完全静音或极低电平。若必须保留持续 BGM，建议低于人声 20 dB 以上，并选择频谱稀疏、无强烈节奏的音乐。

5.2 短视频与 Vlog

短视频的观看环境多为手机外放，且用户注意力切换快。BGM 在这里承担情绪引导和节奏支撑的双重角色，因此可以比播客更突出。建议人声 −14 LUFS 左右，BGM 比人声低 10–15 dB，在无人声的转场或空镜段落可提升到 −8 dB 左右。

短视频平台通常会对上传音频做响度标准化，因此过度压缩动态反而会让内容在信息流中显得平淡。保留一定的动态起伏，有助于在自动播放时抓住注意力。

5.3 直播

直播的音频链路更长，涉及采集、混音、编码、传输和播放，任何一环的增益设置不当都会累积。建议在 OBS 等软件中为人声设置独立的压缩器和限幅器，BGM 通过侧链压缩跟随人声。BGM 基础电平比人声低 12–18 dB，侧链压缩的阈值设在人声平均电平以下 3–6 dB，压缩比 2:1 到 4:1，启动时间 5–10 ms，释放时间 100–300 ms。

直播中还需注意音乐版权与平台检测。使用平台曲库或已授权音乐，可以避免直播中断或回放静音。

5.4 游戏语音与解说

游戏场景的音频层次最复杂：语音、音效、环境声、BGM 同时存在。此时“人声优先”不仅关乎 BGM，还涉及音效的动态管理。通用做法是：语音通道保持最高优先级，BGM 和部分音效通过侧链或闪避（ducking）在语音出现时衰减。BGM 基础电平可比语音低 15–20 dB，音效则根据信息重要性分级处理。

场景	人声目标响度	BGM 相对人声	关键处理
播客 / 有声书	−16 LUFS	−15 至 −20 dB	中频避让、动态均衡
短视频 / Vlog	−14 LUFS	−10 至 −15 dB	段落自动化、瞬态整形
直播	−14 至 −16 LUFS	−12 至 −18 dB	侧链压缩、限幅保护
游戏语音	按引擎混音总线设定	−15 至 −20 dB	优先级闪避、总线压缩

六、工程操作路径：从侧链压缩到动态均衡

理论说清楚之后，这一节给出具体的工程操作路径。核心思路是：不要只靠推子，而是用动态处理工具让 BGM 在人声出现时“主动让路”。

6.1 侧链压缩：最直接的让路方案

侧链压缩（Sidechain Compression）的原理是：用一条轨道的信号触发另一条轨道的压缩器。在这里，用人声触发 BGM 的压缩器，当人声出现时 BGM 自动衰减，人声停止后 BGM 恢复。

参数建议：阈值设为人声平均电平以下 3–6 dB，压缩比 2:1 到 4:1，启动时间 5–10 ms（太快会损失音乐瞬态，太慢会漏掉辅音），释放时间 100–300 ms（太快会“抽吸”，太慢会让人声结束后音乐恢复迟缓）。侧链压缩的优点是自动化程度高，缺点是可能让音乐听起来“忽大忽小”，因此需要配合适度的释放时间和增益补偿。

本文评述：侧链压缩不是万能药。对于节奏感强的音乐，频繁的增益起伏会破坏律动；对于古典或氛围音乐，则可能产生不自然的“呼吸感”。更精细的做法是结合动态均衡，只在人声关键频段做衰减，保留音乐其他频段的完整性。

6.2 动态均衡：频域上的精准避让

动态均衡（Dynamic EQ）可以理解为“分频段的侧链压缩”。它只在特定频段、特定条件下进行衰减，对人声核心区（约 1–4 kHz）做动态衰减，而对低频和高频保持不动。

典型设置：在 BGM 轨道上插入动态均衡，选择一个宽频段（Q 值 0.7–1.5），中心频率 2–3 kHz，增益衰减 3–6 dB，触发阈值与人声电平联动。这样，当人声出现时，BGM 的中频自动下沉，人声的辅音和共振峰得以凸显；人声停止后，BGM 恢复原有频谱平衡。

6.3 多段压缩与瞬态整形

对于频谱复杂的 BGM，多段压缩可以更精细地控制各频段的动态。例如，将 BGM 分为低频、中频、高频三段，中频段做较强的压缩和衰减，低频段保持稳定，高频段适度衰减以减少齿音冲突。

瞬态整形（Transient Shaper）则用于削弱 BGM 中过强的鼓点或拨弦瞬态，减少时间掩蔽。操作上可以降低 attack 增益、保留 sustain，让音乐的“骨架”还在，但“尖刺”被磨平。

6.4 一个完整的处理链示例

人声轨：
  → 高通滤波（80 Hz）
  → 压缩器（阈值 −18 dB，比 3:1，启动 10 ms，释放 80 ms）
  → 去齿音（5–8 kHz，衰减 3–4 dB）
  → 均衡（提升 2–5 kHz 清晰度 2–3 dB）
  → 限幅（真峰值 −1 dBTP）

BGM 轨：
  → 动态均衡（2–3 kHz，衰减 4–6 dB，侧链触发）
  → 多段压缩（中频段 2:1，启动 15 ms，释放 200 ms）
  → 瞬态整形（attack 降低 30%）
  → 增益（比人声低 12–18 dB）

总线：
  → 总线压缩（比 2:1，轻微）
  → 限幅（真峰值 −1 dBTP）
  → 输出目标响度（−14 至 −16 LUFS）

七、自动化与批处理：把经验变成可复现的流程

对于需要批量处理的内容（如系列课程、日更播客），手动调整每一期的 BGM 电平既不现实也不一致。这一节讨论如何用工具把上述流程自动化。

7.1 基于 FFmpeg 的响度标准化

FFmpeg 提供了 loudnorm 滤波器，可以测量并标准化音频响度。基本用法是先测量、再应用，避免单遍处理的动态失真。以下命令用于测量输入文件的响度参数：

ffmpeg -i input.wav -af loudnorm=I=-16:TP=-1.5:LRA=11:print_format=json -f null -

得到测量值后，再用双遍模式应用标准化，可以在保持动态的同时达到目标响度。对于人声与 BGM 已混好的文件，loudnorm 能保证整体响度一致，但无法解决频谱掩蔽问题——那需要在混音阶段处理。

7.2 用脚本实现人声检测与 BGM 闪避

如果不想在 DAW 中手动做侧链，可以用脚本实现简化版闪避。思路是：用人声轨道的包络或能量检测生成增益曲线，再应用到 BGM 轨道。Python 的 librosa、pydub 等库可以完成这类任务，但需要注意时间对齐和增益平滑，避免产生“抽吸”感。

对于非编程用户，Audacity 的“自动闪避”功能、Reaper 的侧链路由、Adobe Audition 的“语音自动闪避”都是可用的替代方案。选择工具时，优先考虑是否支持可调参数和预览，而不是追求全自动。

7.3 模板化：一次设置，长期复用

最高效的自动化其实是模板化。在 DAW 中建立包含人声链、BGM 链、总线链的工程模板，每次新建项目时直接调用，只需替换素材和微调增益。模板中应包含：预设的压缩器、均衡器、动态均衡、限幅器，以及标注好的目标 LUFS 和 BGM 相对电平。

本文评述：模板化的价值不仅在于省时间，更在于保证一致性。对于品牌化内容，稳定的听感本身就是质量的一部分。把“20%–40%”写进模板，比每次凭感觉调整更可靠。

八、常见误区与听感校准

即使掌握了参数，实际制作中仍有一些高频误区。这一节列出最常见的几个，并给出校准方法。

8.1 只看推子百分比，不看实际响度

不同软件的推子曲线不同，20% 在不同软件中可能对应完全不同的增益。正确做法是用响度表（LUFS 表）测量实际输出，而不是依赖推子位置。免费工具如 Youlean Loudness Meter、dpMeter 都可以实时显示 LUFS 和真峰值。

8.2 只在一种设备上试听

监听耳机、手机外放、笔记本扬声器的频率响应差异巨大。只在耳机上平衡的混音，在手机上可能人声刺耳或音乐消失。建议至少在三类设备上试听：监听耳机、手机外放、普通蓝牙音箱。如果条件允许，再增加车载音响。

8.3 忽视音乐本身的频谱特性

同样电平下，钢琴独奏和弦乐合奏的掩蔽效果完全不同。选择 BGM 时，应优先考虑频谱稀疏、中频留白较多的曲目。如果必须使用中频密集的音乐，就需要更激进的动态均衡或更低的整体电平。

8.4 响度战争思维

部分创作者习惯把所有内容推到尽可能响，认为“响就是好”。但在平台标准化的今天，过度压缩动态只会让内容在自动播放时显得疲惫。保留动态、尊重人声的自然起伏，反而更有利于长时间收听。

听感校准小技巧：把混音导出后，用手机在安静房间外放，音量调到平时刷视频的水平。如果第一遍就能听清每一个字，且音乐不显得突兀，这个平衡大概率是合格的。如果需要“努力听”，说明人声还需要更多保护。

九、前沿预判：AI 分离、个性化响度与空间音频

技术不会停在推子和压缩器上。这一节讨论三个可能改变 BGM 平衡工作流的方向。

9.1 AI 音源分离与智能闪避

基于深度学习的音源分离（如 Demucs、Spleeter 及其后续模型）已经可以把混音拆成人声、鼓、贝斯、其他等 stems。这意味着，即使手头只有一版混好的音乐，也可以提取出人声或节奏轨，用于更精准的侧链触发。未来，DAW 可能内置“智能闪避”功能：自动识别人声频段和瞬态，实时生成最优的 BGM 增益曲线。

本文评述：AI 分离的精度仍在提升，但当前用于触发侧链已经足够。真正的瓶颈不在分离算法，而在于“什么是最优增益曲线”这一主观判断。工具可以自动化执行，但目标函数仍需人来定义。

9.2 个性化响度与听力补偿

不同用户的听力状况、播放设备、环境噪声差异巨大。未来的播放平台可能根据用户听力曲线和环境噪声，实时调整人声与 BGM 的比例。例如，在嘈杂环境中自动提升人声频段，在安静环境中保留更多音乐细节。这需要内容在制作时保留足够的分离度，而不是把两轨“焊死”。

9.3 空间音频中的新维度

在杜比全景声等空间音频格式中，人声和 BGM 可以被放置在同一个声场的不同位置。人声居中、BGM 环绕，可以在不降低 BGM 电平的情况下减少掩蔽——因为空间分离本身就能提升听觉流的分组效率。这为“人声优先”提供了新的实现路径：不是让音乐变小，而是让音乐“退到后面”。

笔者认为，空间音频的普及会逐渐改变“20%–40%”这一比例的表达方式。未来更准确的描述可能是“人声位于前方中心，BGM 位于环绕层，两者在频谱上适度避让”。但在此之前，立体声混音仍将是主流，本文给出的方法仍然适用。

十、结论与操作清单

回到最初的问题：BGM 20%–40%、人声优先，到底意味着什么？经过前面的分析，可以给出一个更精确的表述：在典型的人声为主内容中，BGM 的平均响度应比人声低 10–18 dB，并通过动态均衡和侧链压缩在人声关键频段进一步避让。百分比只是界面上的近似，dB 才是可复现的工程语言。

最后给出一份可执行的操作清单，供实际制作时对照：

1. 确定目标平台和播放设备，查清其响度标准。
2. 先处理人声：高通、压缩、去齿音、清晰度均衡、限幅。
3. 测量人声平均 LUFS，作为 BGM 的参考基准。
4. BGM 初始设为比人声低 15 dB，再根据试听微调。
5. 插入动态均衡，在 1–4 kHz 对人声关键区做 3–6 dB 动态衰减。
6. 如需更强避让，加入侧链压缩，阈值、启动、释放按本文建议设置。
7. 对 BGM 做瞬态整形，削弱鼓点对辅音的时间掩蔽。
8. 在耳机、手机、音箱上分别试听，确认人声清晰且音乐不突兀。
9. 总线限幅到 −1 dBTP，输出响度对齐平台目标。
10. 记录本次参数，沉淀为模板，供后续同类内容复用。

音频平衡既是科学也是手艺。科学提供了区间和工具，手艺决定了在区间内如何取舍。希望本文提供的主线——在人声可懂度约束下对频谱掩蔽与动态余量做联合优化——能帮助读者在面对具体素材时，做出有依据、可复现的判断，而不是停留在“感觉这样比较好”的层面。

参考文献（主要）