五聲音階組句：用音樂理論設計遊戲音效

Crystal Hangul 的字塊點擊音效不是從素材包裡挑的。每點一個字塊，你聽到的音高由它在句子裡的位置決定。第一個字塊是 Do，第二個是 Re，第三個是 Mi，依此類推。拼完整句之後，會落一個 Do-Mi-Sol 和弦收尾。

拼句的過程聽起來像在彈一段上行旋律。拼得越順，旋律越流暢。答錯的時候聽到一個低沉的 deny 音效，旋律斷掉。combo 連續答對的時候，背景音樂會加入新的樂器層。整個聽覺體驗和遊戲表現綁在一起。

為什麼用五聲音階

五聲音階（pentatonic scale）只有五個音：宮、商、角、徵、羽，對應西方的 Do、Re、Mi、Sol、La。它的特色是沒有半音，任何兩個音放在一起都不會產生不和諧的感覺。

這個特性很適合遊戲音效。玩家點字塊的順序是固定的（句子的正確語序），但每句的長度不同，有的 3 塊，有的 5 塊。如果用完整的七聲音階，某些音程組合聽起來會很緊張（例如 Si 接 Do）。五聲音階避免了這個問題，不管句子多長，上行的旋律永遠是好聽的。

我用的音階跨兩個八度：Do Re Mi Sol La，然後高八度的 Do Re Mi Sol La。最長的句子用到第八、第九個音也不會超出範圍。

一個音色，用 pitch shift 做出整個音階

音效素材只有一個：一顆 music box（音樂盒）的單音 sample。所有音高都是用 AVAudioUnitTimePitch 即時變調出來的。

AVAudioUnitTimePitch 的 pitch 參數用 cents 為單位（100 cents = 一個半音）。五聲音階的音程換算成 cents：Do 是 0，Re 是 200，Mi 是 400，Sol 是 700，La 是 900，高八度 Do 是 1200，以此類推。

玩家點第一個字塊，pitch 設 0（原音），點第二個設 200（高一個全音），點第三個設 400。引擎收到「第 N 塊被點了」，直接查表拿到 cents 值，餵進 pitch unit，播放 buffer。

和弦收尾

整句拼完的瞬間，我播一個三音和弦：高八度的 Do、Mi、Sol（cents 值 1200、1600、1900）。三個音之間錯開 25 毫秒，模擬音樂盒的琶音質感。

這個和弦落在上行旋律的頂端，聽覺上有一個明確的「完成」感。玩家不需要看評分文字就知道這句拼完了，因為耳朵先接收到了結束訊號。

和弦需要三個聲部同時發聲。我準備了六組 player + pitch unit 的組合，用輪替的方式避免搶佔。music box 的尾音大約持續三秒，如果 player 池太淺，新的音會打斷還在響的舊音，聽起來會像被截斷。六組的深度讓快速連點的時候，輪回來時前一顆已經衰減完了。

垂直分層 BGM

背景音樂有三層：pad（環境鋪底）、rhythm（節奏）、climax（高潮）。三軌在戰鬥開始時同時起跑，相位對齊，但音量不同。

開局只有 pad 層在響，很安靜的水晶鈴環境音。玩家連續答對，combo 升到第一階，rhythm 層淡入，背景開始有節奏感。combo 繼續往上升到第二階，climax 層淡入，音樂變得飽滿。

漏怪或答錯會斷 combo，上層的音樂抽掉，背景重新回到安靜的 pad。壓力的變化可以用耳朵感受到。

我一開始想做的是「BPM 隨 combo 升高」，讓音樂越打越快。試了之後發現即時改變播放速度會連帶改變音高，整首曲子聽起來像加速播放的錄音帶。垂直分層不碰速度，只控制各軌的音量，效果一樣有爽感，實作上簡單很多。

三軌的淡入淡出用手動的音量 ramp。AVAudioPlayerNode 沒有內建的 volume ramp，我用一個 async Task 每 33 毫秒更新一次音量，線性插值到目標值。淡入淡出的時間設在 0.8 秒，夠平滑但又不會讓玩家等太久才感受到變化。

音量層級的拉鋸

Crystal Hangul 同時有三種聲音在爭搶玩家的耳朵：TTS 韓文發音、字塊點擊音效、背景音樂。

TTS 發音是學習的核心，音量必須最大。字塊音效是操作回饋，要聽得到但不能蓋住發音。BGM 是氛圍，要有存在感但不能搶走前兩者。

試玩回饋調了兩輪。第一輪：「水晶鈴聲好大，聽不到韓文發音」。我把 pad 層壓低。第二輪：「還是蓋住了」。再砍一半。最後 pad 層的音量壓得很低，聲音像是從很遠的地方傳來。字塊音效也壓在 TTS 之下。

選關畫面用了另一條獨立的環境音，跟戰鬥的水晶鈴區隔開。進入戰鬥時選關音淡出，戰鬥 pad 淡入。離開戰鬥時反過來。兩條環境音不會同時出現。

爆音：多聲部疊加的陷阱

戰鬥高潮的時候，同一瞬間可能有這些聲音在響：字塊和弦（三個聲部）、敵人碎裂音效、強射 whoosh、BGM 三層。所有聲部的波形加在一起，峰值超過 0dBFS，DAC 硬剪成方波，聽起來就是一聲刺耳的爆音。

我在主混音輸出後面接了一個 Apple 內建的 Peak Limiter：

let limiterDescription = AudioComponentDescription(
    componentType: kAudioUnitType_Effect,
    componentSubType: kAudioUnitSubType_PeakLimiter,
    componentManufacturer: kAudioUnitManufacturer_Apple,
    componentFlags: 0, componentFlagsMask: 0
)
let limiter = AVAudioUnitEffect(audioComponentDescription: limiterDescription)
engine.attach(limiter)
engine.connect(engine.mainMixerNode, to: limiter, format: nil)
engine.connect(limiter, to: engine.outputNode, format: nil)

Peak Limiter 在峰值超過閾值的時候自動壓縮振幅，避免硬剪。再把主混音的輸出音量留一些 headroom 給引擎外的 TTS，確保兩邊加起來也不會爆。

另一個爆音來源是 player 輪替。一次性音效（碎裂、大絕）的尾音可能持續五到六秒。如果池太淺，新音效排到還在響的 player 上，.stop() 會在波形中間截斷，產生不連續的 click 聲。我把池擴大到十組，每次選 player 時優先挑尾音已經衰減完的，全忙的話才挑剩餘尾音最短的，讓被截斷的聽感降到最低。

組句就是演奏

五聲音階讓拼句這個動作有了音樂性。你點字塊的速度決定旋律的節奏，combo 決定背景的厚度，答錯打斷旋律、斷 combo 抽掉配樂。玩家的操作表現直接映射成聽覺體驗，不需要額外的 UI 元素來傳達「你做得好」或「你做得差」。耳朵已經知道了。

水晶韓語塔防是一個用 RealityKit 做的 iOS 塔防遊戲，拼韓文句子建塔，打敗水晶怪物。App Store 下載。這篇是「費曼的實習生」系列，把遊戲開發中的設計思考記錄下來。