给教程视频配上背景音乐之后，旁白反而听不清了。继续把旁白调大，又发现下一段的素材原声和解说同时在说话。
这类问题不能只用"配乐小一点"解决。先区分解说人声、素材原声和背景音乐的职责，再决定保留、降低或关闭哪一路，声音处理才有明确目标。
本文结合我们做 Tipkay 视频制作大师时的流程设计，说明如何把声音要求交给视频 Agent。作者与产品有关；能力与配乐候选来自 2026 年 10 月 21 日客户端只读核对，未做成片混音或成本对比测试。
先决定谁在传递信息
对一条产品使用教程，声音大致可以分成三类。
解说负责讲步骤和注意事项。素材原声可能包含按钮声、环境声，也可能包含现场讲解。背景音乐主要负责气氛与节奏。
如果现场讲解已经清楚完整，后期不一定还需要再读一遍相同内容。保留原声、补上字幕，可能就足够。只有图片和图解、没有现成人声时，再使用独立 TTS 旁白，是另一种方案。
这一步先选叙述来源，能避免最直接的错误：把识别出来的原声台词重新生成一层配音，再和原声一起播放。
ASR 生成文字，不是在替换声音
ASR 用于识别已有音视频中的语音。TTS 则把文字变成新的声音。字幕是显示层，不能把这三个概念混在一起。
假设用户上传一段操作讲解，要求"保留我的讲解，补字幕和配乐"，合理流程是识别原声、校对字幕，再合成背景音乐，而不是默认重新配音。
如果用户明确要求换成新旁白，则还需要说明旧声音如何处理。只增加一条 TTS，并不意味着原视频声音已经消失。
视频大师当前说明提供素材原声开关与音量、BGM 音量，以及配音和字幕的配置入口。用户可以用聊天表达需求，系统负责把声音关系落到制作流程中；但仍要听最终结果。
把声音要求写成可判断的关系
可以按分段整理声音计划。下面是一个假设教程的示意，不是产品接口：
text
开头：新旁白讲用途；素材原声关闭；音乐轻铺底
操作段：保留有意义的按钮声；新旁白讲步骤；避免重复人声
结尾：旁白先讲完；音乐再承接收束
字幕：跟随实际使用的讲解，校对产品名和步骤词如果原声中同时混着按钮声和现场人声，不要假设一个音量开关就能只留下按钮声。可以降低或关闭整路原声，再判断是否需要单独处理素材。
"有意义的声音"也应具体指出。用户说需要听清一次按键反馈，与要求保留全部现场噪声，是不同任务。
选曲与音量要一起考虑
本次只读查询，客户端实际返回 Bleeping Demo、Breathing、Wallpaper、Back 2 UR 等候选。名称和预览可以帮助选择，但曲库中的场景标签不是成片听感的保证。
试听时，应把音乐放到实际旁白下面听。一个人听音乐时觉得舒服，不代表它与密集讲解叠加后仍然合适。遇到人声或节奏明显干扰解说的段落，可以降低音乐、换曲，或让该处暂时留白。
本次候选信息中有需署名的曲目，选用时还应保留对应许可要求；"能推荐"不等于所有曲目都无条件使用。
避免拿一个数值当作全部答案
不同素材的原始音量和声音内容不同，同一个相对音量设置，未必产生相同听感。不能只写"音乐设为某个百分比"，就认定解说已经清楚。
当前声音配置能够表达音量与开关要求，但本文没有测得统一的响度目标，也不承诺自动混音在所有素材上都平衡。
更实用的验收是：关键步骤能否听清；同一句话是否出现两层人声；跨镜头是否突然变响；结尾音乐是否过早盖住最后一句。先修具体问题，再决定是否需要进一步调整。
聊天需求可以比参数表更完整
例如："这条教程使用我上传的视频。保留里面清楚的现场讲解，不要重复生成 TTS；识别并校对字幕。BGM 只做轻铺底，遇到讲步骤时让人声清楚，必要时降低或关闭音乐。片尾等最后一句说完再收束。"
这不是承诺一条指令必然得到理想结果，而是把原声、配音、字幕和音乐的关系一次说清楚。用户不需要先分别配置语音识别、配音和音乐工具，后续也能根据成片继续提出修改。
对教程和产品讲解，声音服务的是理解。第一步不必追求复杂混音，先让讲解清楚、避免重复发声，再用音乐补足节奏。
资料依据：Tipkay 视频制作大师 2026 年 10 月 21 日客户端只读说明与配乐候选返回。声音计划为作者建议，示例未执行制作。