在浏览器里给视频加音频，文件不上传

视频和音频都由你的浏览器在本机处理，不经过远程服务器，也不会上传到 Sonata AI。唯一需要下载的是处理引擎本身：约 30 MB 的 WebAssembly，第一次使用时从公共 CDN 获取，之后由浏览器缓存起来。

替换会彻底去掉原声，只留下新音轨，适合没有声音的 AI 视频或者噪音很大的素材。混合则保留拍摄时录下的声音，再把新音轨叠上去，人声、笑声和现场环境音都还听得到。

原声和新音轨分开调。100% 表示不变，往下拉可以把声音退到背景里，往上推可以把录得太小声的内容提起来。正因为两边能分别调，人声和音乐才能各就各位，而不是互相抢。

成品的长度永远等于视频。歌比视频长，就在画面结束的地方截断；一小段旋律或音效，可以循环到最后一帧，也可以放完就停——之后在替换模式下是静音，在混合模式下只剩原声。

如果视频是 MP4 或 MOV 封装的 H.264，画面会原样复制，只重新生成音频，速度快，画质没有任何损失。WebM 和其他编码的视频则要先转成 H.264，所以花的时间更长。

在最后一帧硬切音乐，尤其卡在副歌中间的时候，听起来很突兀。打开可选的淡出，声音会在片尾慢慢收掉，而不是戛然而止。

不用注册，也不消耗积分，下载下来的 MP4 上没有任何标志。处理时有进度条显示进展，发现哪个设置弄错了，随时可以取消。

文生视频、图生视频模型经常输出无声的片段。配上一段音乐或一句旁白，就能直接发到社交平台或放进演示文稿，不必专门打开剪辑软件。

先录屏幕，等想清楚要讲什么再单独录讲解。替换模式让你的声音完全盖过录屏；混合模式则把鼠标点击、提示音这类系统声音轻轻留在背景里。

风声、车流声、嘈杂的人群，常常毁掉画面本身很不错的片段。可以用音乐替换掉噪音，也可以用混合模式把原声压得很低，留一点现场氛围。

一段简短的背景音乐能让产品演示或预告片更有节奏感。如果有人声讲解产品，就把音乐调低，再用淡出让片子干净地结束，别停在半拍上。

用手机录一段 M4A 格式的语音备忘录当解说，加到相册软件导出的视频里，得到一个普通的 MP4，家里长辈不用装任何软件就能打开。

如果已经录好了翻译后的旁白，用它替换原来的人声，就能为每种语言各留一个视频文件，画面完全相同。

画面里有人讲话时，原声保持在 100% 左右，新音轨明显调低，可以先在 25% 到 50% 之间试，再一点点微调，直到每个字都听得清清楚楚。

200% 的上限适合补救录得很小声的手机录音；但本身已经很响的音轨再往上推，容易爆音。如果在高潮处听到破音，应该把这一边调低，而不是把另一边调高。

比视频稍长一点的歌，再配上淡出，收尾最干净。循环更适合本来就为重复播放而做的素材，比如环境铺底或简单的节拍；前奏和尾奏很明显的歌，一循环就能听出接缝。

很多 AI 生成的视频和录屏要么完全没有声音，要么只有一点底噪。替换等于从零开始；选混合的话，那点沙沙声会一直垫在音乐底下。

如果手机或剪辑软件能导出 H.264 编码的 MP4，就选它。这样工具可以直接复制画面、不重新编码，画质完全不变，处理也更快；其他格式都得先重新编码。

分别用耳机和手机外放各听一遍。音乐音量在耳机里刚刚好，到了手机喇叭上可能就把人声盖住了，而大多数短视频恰恰是用手机外放看的。