声音设计的基础理念
第1章 声音设计的基础理念
声音是播客唯一的存在形态。视频内容可以通过画面传递信息、书籍可以通过文字留存思想,而播客这种媒介,一旦失去声音,便无法成立。这意味着,对于播客而言,声音设计的质量与内容本身的质量构成同一件事物的两面——它们无法被剥离,正如我们无法将一首歌的"旋律"与它的"音色"分开来评判。然而,业界与听众中普遍存在一种误解:把"录音剪辑"等同于"声音设计",把后期处理视作声音设计的全部内容。如果本书能够破除这一迷思,第一章便已完成了它的核心使命。
1.1 声音设计的学科溯源:从广播剧到现代播客的概念迁移
要理解"声音设计"在播客语境下的独特内涵,必须首先梳理这一概念在二十世纪以来的演化轨迹。"声音设计"(Sound Design)作为一个独立术语进入大众视野,通常被认为始于电影领域。但其思想根源——用声音构建意义、营造情绪、引导感知——则要追溯到广播时代的黎明。
1.1.1 广播剧的奠基期:声音作为唯一的"画面"
1920年代,广播作为新兴媒介进入家庭。1938年10月30日,奥逊·威尔斯(Orson Welles)改编的广播剧《世界大战》(The War of the Worlds)在哥伦比亚广播公司(CBS)播出,引发了著名的"火星人入侵恐慌事件"。虽然多数听众后来澄清自己并未真的相信外星人入侵,但这一事件本身揭示了一个深刻的听觉心理学事实:当听众无法借助视觉验证时,他们会完全沉浸于声音所构建的"现实"之中。威尔斯之所以能够让成千上万的听众陷入恐慌,并非因为他说服了人们相信什么,而是他用脚步声、金属撞击声、播音员的喘息声共同绘制了一幅"可信的声音场景"。这是声音设计作为系统化实践的早期范例。
威尔斯本人并非传统意义上的"声音设计师",他的制作团队用模拟音效的方式,再现了记者、军事指挥员和目击者的声音。然而,他对声音节奏的把控、对环境音的铺设、对紧张气氛的逐层加码,已经展现了声音设计的核心思维——声音不是对现实的复制,而是对感知的建构。正是在这种思维驱动下,广播剧逐渐演化为一个独立艺术门类。英国广播公司(BBC)在二十世纪中期发展出"广播剧制作手册"(BBC Radio Drama: Sound and Performance),其中明确区分了"声音效果师"(Sound Effects Operator)与"声音设计师"(Sound Designer)两种角色,后者不仅负责制造声音,更要规划声音与文本、表演的整体关系。这是"声音设计"概念在媒介史上的第一次系统化。
1.1.2 电影时代的成熟:从音效到声音世界
20世纪70年代,好莱坞导演乔治·卢卡斯(George Lucas)在制作《星球大战》(Star Wars, 1977)时,聘请青年声音师本·伯特(Ben Burtt)为影片创作前所未有的太空音效。伯特从零开始,通过改造日常物品(他用钢丝衣架获得光剑的嗡嗡声,用慢放的鸽子翅膀获得激光枪的爆鸣声)构建出一整套"外星声音语汇"。"声音设计"这一头衔在好莱坞正式确立,伯特被列为首位"声音设计师"。
紧随其后的,是同样影响深远的沃尔特·默奇(Walter Murch)。他在《现代启示录》(Apocalypse Now, 1979)、《英国病人》(The English Patient, 1996)等影片中将声音视为与画面平等甚至更重要的叙事工具。默奇在其经典著作《在听与听之间》(In the Blink of an Eye)中提出的"Dream Cut"理论指出,观众在电影中的情感体验有50%—70%来自声音。这一惊人数字挑战了"视觉主导"的直觉,也奠定了声音设计在电影艺术中的核心地位。
电影声音设计的核心理念可以概括为三条原则,它们被后来的播客制作人部分继承:
- 声音先于意义。一个枪口开火场景的视觉冲击力,有近半数来自声压的突然变化;
- 空间先于声源。声音的"环境感"——混响、早期反射、距离——比声源本身的音色更先被感知;
- 情绪先于信息。音乐可以在镜头出现前两秒就为观众设定心理基调。
1.1.3 游戏声音设计:交互性带来的范式跃迁
20世纪90年代末至21世纪初,电子游戏成为声音设计的新前沿。游戏声音设计师必须应对电影无需面对的挑战:声音必须对玩家的不可预测动作做出实时反应。1997年,《最终幻想VII》(Final Fantasy VII)首次为游戏引入了完整管弦乐配乐;2007年,《生化奇兵》(BioShock)的水下城市Rapture被《GameSpot》评为"游戏史上最伟大声音设计之一",关键在于其对空旷感的精确模拟——玩家走在Rapture走廊中,能听到水流声、远处机械声、金属回响共同构建的"被遗忘之城"氛围。
游戏声音设计向播客迁移的核心理念是"状态化声音"(State-based Audio):声音不仅配合预先确定的脚本,而是要适应听众的心理状态、注意力水平、甚至个人偏好。这一思路在现代播客的"动态音频"(Dynamic Audio)技术中得到延续——例如Netflix在2018年推出的《黑镜:潘达斯奈基》(Black Mirror: Bandersnatch)分支叙事,以及播客《The Adjustment Bureau》在不同听众设备上呈现不同声音细节的自适应设计。
1.1.4 播客时代:从技术补救到系统工程的范式转换
播客(Podcast)的雏形可以追溯到2004年前后,乔希·惠特克(Josh Whitaker)等先驱开始将MP3文件与RSS订阅相结合,听众可以自动接收最新节目。早期播客的声音品质参差不齐,大多数业余作者在家中卧室录制,使用内置笔记本电脑麦克风,后期处理仅限于"剪辑口水"。此时,"声音设计"在播客领域几乎不存在,只有少量专业制作机构如Radiotopia(由Roman Mars创立的播客联合体)开始引入电影级声音标准。
转折点出现在2014年前后。《Serial》(由Sarah Koenig主持,This American Life制作组出品)以录音报道(Reported Storytelling)的形式出现,实际上重新定义了播客这一媒介。与早期播客的"对话流"不同,《Serial》大量使用音效、音乐、环境音、片头设计来构建场景。听众在第三集"To Be Suspected"中听到一段关于嫌疑人家中环境音的还原:鸟鸣、远处电锯、风声——这些声音不是报道者的评价,而是构建一个"可被聆听的可疑场所"。
这一变化背后的实质是:声音设计从"后期修补"升级为"前期构思"。传统播客制作流程是"先录音,后补救";现代声音设计思维则要求"先构想声音世界,再录音"。这正是本书定义"声音设计"的核心边界。
值得指出的是,这一概念迁移并非简单移植。电影声音设计受制于画面、游戏声音设计受制于交互、广播剧受制于语言,而播客的声音设计则在"纯声音"维度上获得了最大自由。听众无法参考任何视觉对象,完全通过听觉构建心理图景。这一约束恰恰是优势——它迫使制作人将所有叙事、情感、信息都转化为听觉编码。
1.1.5 概念的定义与边界
经过上述溯源,我们可以为本书的"声音设计"给出操作性定义:
> 声音设计(Sound Design)是制作者在内容生产全流程中,以听觉感知为核心维度,对听众将被接收到的声音进行系统化规划与创造的工作。其范围覆盖音色选择、空间构建、节奏编排、情感引导四个相互关联的维度,且必须从前期构思阶段介入,而非仅在后期处理阶段发挥作用。
这一定义区分了三组容易被混淆的概念:
声音设计 vs. 音频后期:音频后期(Audio Post-Production)是一种技术操作,包括降噪、压缩、均衡等信号处理手段;声音设计则是一种系统化工作,可以使用音频后期作为工具之一,但远比其宽广。
声音设计 vs. 配乐:配乐(Music Score)是声音设计的一个子集,只涉及音乐部分;声音设计则涵盖语音、音效、环境音、音乐及它们的相互关系。
声音设计 vs. 录音:录音(Capture)是物理采集声波的过程;声音设计关心的是这些声波在被组织后形成的整体听觉体验。
1.1.6 一个简短的学科谱系
为帮助读者建立时空坐标,我们可以将声音设计的关键发展节点列为一谱系:
| 时期 | 代表作品/事件 | 核心贡献 | |------|--------------|---------| | 1938 | 《世界大战》广播剧 | 声音构建可信场景的早期范例 | | 1940s | BBC广播剧制作体系 | 声音设计师角色正式化 | | 1977 | 《星球大战》 | "声音设计"作为电影头衔确立 | | 1979 | 《现代启示录》 | 声音与画面并重的叙事地位 | | 1996 | 《生化奇兵》(2007) | 游戏声音设计的交互范式 | | 2014 | 《Serial》第一季 | 声音设计进入播客核心流程 | | 2017 | 《S-Town》 | 播客中"声音世界"的极致呈现 |
理解这条脉络,是后续展开技术讨论的前提。从广播剧到现代播客,声音设计的核心逻辑始终不变——用声音构建一个独立存在的、可被感知的世界。但其工作方法、所依赖的技术、所服务的媒介,都在不断演化。本书专注于播客这一特定场景下的实践,而对其母学科保持开放视野。
1.2 声音作为媒介的感知机制:听觉优势与注意力的关系
理解声音设计为何能在播客中发挥如此核心的作用,必须回到人类听觉系统的基本运作规律。这一节从认知心理学与神经科学的角度,剖析声音作为信息载体相对其他感官的独特优势,以及它在注意力和记忆上呈现的特殊机制。
1.2.1 听觉系统的时间优势:第一信号系统
人类五大感官中,听觉是反应速度最快的一种。一个声音信号从外耳进入,经中耳换能、内耳毛细胞转换为神经电信号,抵达脑干听觉处理中心,只需约8—12毫秒。视觉信号从视网膜感光到枕叶视觉皮层处理,则需要20—60毫秒。这意味着,在任何需要快速反应的场合,听觉都领先视觉近一个数量级。
这一速度优势对播客声音设计意味着:听众在熟悉的播客片头音乐开始的第一秒内(约1000毫秒),已经产生"这是哪档节目"的认知反应,而主持人的自我介绍需要等到数秒后才能抵达同样的认知深度。一个声音设计优秀的片头,可以在播音员开口之前,完成听众预期管理和情感基线设定的大部分工作。
但速度优势只是听觉的一个维度。更重要的是,听觉是一种"全时间锁定"(Time-Locked)感官。你可以选择"不看电视",但你无法"不听见"——除非处于完全静音环境。这意味着,听众对播客的注意力投入通常是"被动警觉"(Vigilance)而非"主动注意"(Active Attention),这一区别对内容设计有深远影响。
1.2.2 鸡尾酒会效应与听觉场景分析
"鸡尾酒会效应"(Cocktail Party Effect)是听觉认知的经典现象,由英国学者科林·切利(Colin Cherry)于1953年首次系统描述。切利的实验发现,在嘈杂的鸡尾酒会中,听者能够"高度选择性"地关注一名交谈对象,同时屏蔽其他对话;然而,如果其他对话中出现自己的名字,听者会立刻注意到。这一现象的核心洞见是:听觉系统对"显著性"信号高度敏感,而对"显著性"信号的定义是后天学习的结果。
加拿大认知心理学家阿尔伯特·布雷格曼(Albert Bregman)在1990年出版的《听觉场景分析》(Auditory Scene Analysis)中将这一现象上升为理论框架,提出人类听觉系统会自动将混合声音流分离为若干"听觉流"(Auditory Stream),每个流对应一个感知主体。这一分离过程依赖于多种"线索"(Cue),包括频率、音色、空间位置、节奏模式、谐波关系等。
布雷格曼的框架对播客声音设计至关重要。它告诉我们:听众的听觉系统天然地试图"分组"声音,并将每组归属于一个独立来源。因此,声音设计的任务之一,就是帮助听众的听觉系统正确分组。例如,主持人的语音、嘉宾的语音、环境音、音乐应当被设计为"具有不同分组特征"的声音——主持人的语音通常占据中频、有稳定节奏、来自特定声场位置;环境音占据不同频段、有连续性、来自特定空间;音乐则占据更宽频谱、有明显音高变化、来自人工合成空间。当分组清晰时,听众的理解效率显著提升;当分组模糊时(例如主持人和嘉宾音色过于接近),听众会频繁出现"误听",从而产生疲劳。
1.2.3 注意力的三种状态与播客的映射
从神经科学角度,人的注意力有三种主要状态:
- **警觉态(Alert)**:生理唤醒水平升高,对突然刺激高度敏感。例如听众在通勤路上突然听到一段警笛声。
- **定向态(Orienting)**:感官资源集中于特定空间位置或频率。例如听众在图书馆中刻意辨认走廊传来的脚步声。
- **执行控制态(Executive)**:高层认知参与,工作记忆激活。例如听众在试图回忆一段播客开头提到的关键数字。
三种状态通常协同工作,但消耗的认知资源各异。播客声音设计的核心难题,在于如何让听众长期保持在"执行控制态"——这就是所谓的"沉浸感"(Immersion)的生理基础。一档好的播客应当让听众无需持续调用执行控制,而是被声音设计本身"携带"进入一种轻松的分析性聆听状态。
这一状态与心理学的"流"(Flow)概念密切相关。Csikszentmihalyi提出的流理论指出,当任务的挑战性与听者的能力匹配时,会产生沉浸体验。播客声音设计可以理解为一种"挑战性调节工具"——它通过复杂性(多声音层)、时间结构(节奏变化)、情感引导(音乐匹配),持续将听众的注意力调整到适度的挑战水平。
1.2.4 声音记忆的持久性与"似曾相识"现象
人类听觉记忆有几个显著特征,与视觉记忆相比存在关键差异:
- **时间顺序记忆优先**:听觉记忆天然地按时间顺序存储,而视觉记忆按空间位置存储。这意味着听众更容易记住"这段音乐出现在第三集开头",而非"这段声音来自屏幕右上角"。
- **音色记忆高度稳定**:听众能跨年记住一个播客片头音乐的音色特征,即使对旋律细节记忆模糊,这种"音色识别"成为听众与节目之间的情感纽带。
- **背景音的潜在记忆**:环境音通常不被"显性记忆"储存,但它维持一种"情境基线"。听众可能回忆不起播客某集中的背景咖啡店环境音,但其内心状态被该声音影响了情感基调。
这些特征对声音设计意味着:空间中的"轮廓元素"(如片头音乐、品牌音)应当具有高度稳定的音色特征,才能成为听众长期识别的"听觉图标";同时,环境音不必追求"显著",只需提供"稳定的情感氛围"即可。
1.2.5 声音媒介的局限:不可见性、不可倒退性、双耳不对称
任何媒介都有其局限性,声音媒介亦不例外。理解这些局限,是声音设计避免常见陷阱的前提。
不可见性:听众不能"看到"声音来自哪里。在电影中,一个引爆场景可以同时展示炸弹和反应;在播客中,声音设计师必须用纯听觉手段引导听众感知"谁在哪里做什么"。这意味着,声音设计必须在听众心智中预置一个"听觉地图"。
不可倒退性:在播客中(尤其以线性播放为主要形式的传统播客),听众通常无法后退数秒去重新听一句模糊的话。在视频中,用户可以随时回看;在播客中,这一动作代价较高(需要暂停和滑动)。因此,声音设计中"信息的清晰度"比"信息密度"更重要。
双耳不对称:人类两只耳朵呈左/右近150度空间分布,这意味着我们天生具有双耳差时定位能力。但普通耳塞和笔记本扬声器无法呈现这种空间信息。声音设计必须考虑目标听众的播放设备——是为耳机播放优化,还是为车载蓝牙播放优化,是面向智能手机外放,还是面向家庭音响系统?不同场景的最优设计可能差异巨大。
1.2.6 感知机制对设计的反向约束
综合上述分析,我们可以为播客声音设计提炼出几条"感知约束":
- **不超过听众注意力带宽**:同时承载3种以上声音信息会显著降低理解度;
- **不超过听众听觉分组能力**:相邻的声音元素在频率、音色、空间上必须至少一个维度有明显区分;
- **不超过听众长时记忆上限**:单集内容如果有超过5个关键信息点,需要通过重复、口号、声音标识强化记忆;
- **不超过听众生理耐受**:极端响度(峰值超过85dB SPL)或极端密度(平均5秒一个声音事件)的音频在长期收听中会导致疲劳。
理解这些约束,不是为了在设计中"避免它们",而是为了知道何时可以"突破它们"——这些限制是默认规则,而非凡事不可违反的铁律。优秀的声音设计有时恰恰是在可控的"超载"中创造惊异感。但未经训练的创作者,通常应当在这些约束内运行。
1.3 声音场景(Soundscape)与沉浸感(Immersion)的理论框架
前两节建立了声音设计的学科背景与感知机制基础。本节聚焦全书最核心的两个概念——"声音场景"与"沉浸感"——并给出可操作的理论分析框架。
1.3.1 声音场景:从环境到建构
"声音场景"(Soundscape)一词由加拿大作曲家、教育家与社会活动家R·默里·谢弗(R. Murray Schafer)在1960年代末创造。1977年,谢弗出版《声景:我们的声音环境以及调谐世界》(The Soundscape: Our Sonic Environment and the Tuning of the World),系统提出"声音景观"理论。谢弗将任何一段声音环境视为"可被审美与解释的对象",而非仅仅是功能性的"背景噪音"。
谢弗将声音场景分为三类基本要素:
- **基调音(Keynote Sounds)**:背景性的、持续的、通常不被注意但塑造整体氛围的声音。例如城市中的远距离交通声、海边持续的浪涛声、咖啡馆里模糊的人声嗡鸣。
- **信号音(Signal Sounds)**:有意识的、有明确信息目的的声音。例如警报声、钟声、口哨声,在任何声音场景中都是"前景信号"。
- **标志音(Soundmarks)**:具有独特识别性的、被某个社群共同记忆的声音。例如某座城市的钟楼、某种鸟的鸣叫、某首播客的开头音乐。
这一分类为播客声音设计提供了直接工具:基调音构成节目整体的"声音底色";信号音是节目结构的关键节点(如片头、转场、结尾);标志音则是节目的"听觉品牌"。
值得指出,谢弗的理论最初用于环境声学批评,其关注点在于城市与自然的声音环境。但他提出的"听者作为积极建构者"的观点,与播客声音设计的核心理念契合:听众不是被动接收器,而是主动组织声音流、在心智中构建有意义场景的主体。
1.3.2 法国具体音乐学派:声音的解构与重建
几乎与谢弗同时,法国作曲家皮埃尔·谢菲尔(Pierre Schaeffer)开创了"具体音乐"(Musique Concrète),提出了"声学聆听"(Acousmatic Listening)概念——即只听声音本身,不联系其声源。谢菲尔强调,通过"听不见来源"的声音,可以探索声音的纯粹物质特性。
这一思想在播客中并不陌生。当听众戴着耳机听到一段似乎来自"报道现场