口播影片自動剪掉空白：原理、三個關鍵參數，以及什麼片不適合

口播後製最無聊的那一段

自己錄口播的人都知道：真正花時間的不是講，是講完之後。

一支十五分鐘的原始錄影，裡面可能有兩三分鐘是停頓、換氣、想詞、講錯重來。把這些剪掉，影片會從十五分鐘變成十一分鐘，而且節奏緊得多。但這個動作要在時間軸上來回拖曳好幾百次，做完手會痠、眼睛會花，而且完全沒有創意成分。

這就是最適合自動化的工作：規則明確、重複、不需要判斷。

靜音偵測怎麼運作

原理比想像中單純。程式從頭到尾掃過音軌，找出「音量低於某個門檻、而且持續超過某段時間」的區間，把那些區間標記為空白，然後剪掉，再把剩下的片段接起來。

聽起來很簡單，但實際上有三個參數決定成敗。

三個關鍵參數

一、噪音門檻：多小聲算「安靜」

這決定什麼音量以下被視為靜音。單位是分貝，通常是負值。

• 設太高（例如 -20 dB）：會把講話中比較小聲的字也當成空白剪掉，句子被剪破，聽起來像跳針
• 設太低（例如 -50 dB）：房間的冷氣聲、電腦風扇聲都超過門檻，程式認為整支影片都有聲音，等於沒剪

正確做法是先聽一下你的錄音環境有多吵，再往上抓一點。安靜的房間和開著冷氣的房間，門檻可以差到十幾分貝。

二、最短靜音長度：停多久才算空白

如果只要靜音就剪，正常說話的字間停頓也會被剪掉，結果是每個字都黏在一起，聽起來很不自然。

所以要設一個下限：短於這個長度的停頓保留，長於的才剪。實務上落在零點三到零點五秒之間——這大約是「換氣」和「卡住了」的分界。

設太短，語氣會被剪掉；設太長，該剪的空白留著沒剪。

三、前後留白：剪的時候留一點餘裕

如果剪得剛剛好，切點會太貼近說話的第一個字，聽起來像被咬掉一截。所以每一段的前後都要留一小段緩衝，通常是零點一秒上下。

這個參數不影響「剪不剪」，只影響「剪完聽起來自不自然」，但差別很明顯。

什麼影片適合，什麼會出事

適合：

• 單人口播、對鏡頭講話
• 線上課程、教學錄影
• Podcast 錄音
• 固定機位、背景不動的影片

會出事：

• 有背景音樂的影片。音樂讓音量從頭到尾都高於門檻，偵測完全失效。要剪就得剪原始素材，音樂後製再上。
• 多人對談。有人在講、有人在聽，靜音區間對不上，剪完會把對話的呼吸節奏破壞掉。
• 畫面有連續動作。剪掉音訊空白的同時畫面也會跳，如果你正在示範某個連續動作，觀眾會看到手突然瞬移。
• 收音很差、有回音的空間。回音會拖長每一句的尾巴，程式判斷不出哪裡真的結束。

最容易踩的雷：跟字幕的先後順序

這個雷特別隱蔽，因為它不會報錯，只會讓成品悄悄壞掉。

如果你先產字幕、再剪空白，字幕的時間軸就全錯了——畫面被剪短，字幕的時間戳卻還停留在原始長度。前面幾句可能還對得上，越往後漂移越嚴重，最後整段字幕跟嘴型差了好幾秒。

正確順序永遠是：先剪空白 → 對剪好的影片重新轉錄 → 再上字幕。

不能用原始影片的逐字稿去配剪過的影片，一定要重跑一次。多花一兩分鐘，換一支不會出包的成品。

自動剪完還要看嗎

要，但只要快轉看。

自動剪片的失敗模式很好認：句子被剪破、節奏太趕、某個切點很突兀。這些用兩倍速看一遍就抓得出來，一支十分鐘的影片大概花三分鐘。

比起原本要拖曳幾百次時間軸，這已經是完全不同量級的工作。

想把這段交出去？

上面講的每一步都可以自己搭起來，工具本身都是免費的——難的從來不是工具，是流程順序與那些不會報錯的雷。

如果你想把公司裡其他重複的工作也交給 AI——報價、客服回覆、文件處理、資料彙整——客脈 AI 專做這件事：先免費盤點你的流程，找出最該自動化的那一段。免費聊聊