前言：剪一集 Podcast，為什麼那麼累？

錄完一集 40 分鐘的 Podcast，真正花時間的不是錄，是剪：整集的「嗯、呃、那個」要一個一個找出來剪掉、講壞的那句要重錄再對回去、背景有冷氣聲要降噪、兩個人各自錄的音軌要對齊、最後還要把音量弄整齊再輸出成平台要的格式。

市面上早就有工具做這些事。GoldWave 這類音訊編輯器有降噪、去爆音、EQ、壓縮、頻譜、批次轉檔；Synchro Arts 的 VocALign 專門做「把一軌在時間上扭到跟另一軌對齊」。它們都很強，但以我們的經驗來看，對第一次剪 Podcast 的人有兩個門檻：功能太多不知道從哪裡按，以及每個功能都是一個滿是旋鈕的對話框。

所以我做了 AI Music Cut：一個免費開源的桌面工具（Tauri 2 + React + Rust），把這些功能抄過來，但介面設計的最高原則是小白也能用。這篇是完整教學，從下載開始，到剪完一集輸出 mp3 為止。

這篇使用的工具 / 前置條件

一個很重要的原則先講在前面：它永遠不會動你的原始檔。所有剪輯都是「決策」（哪裡剪、哪裡加效果），輸出的時候才真的算出新檔案。剪壞了就 Ctrl+Z，或者整個專案丟掉重來，原始錄音一直都在。

兩種模式：簡易與專業

第一次打開是簡易模式。開始畫面先問你「想做什麼」：

點一張卡片、選檔案，進來就是這個畫面：左邊波形，右邊只有幾顆白話的按鈕，最上面永遠是「復原」。

右上角可以隨時切到專業模式：側欄、逐字稿、精準修剪、快捷鍵、命令面板（Ctrl+K 打字就搜得到任何功能）全部打開。兩邊是同一套指令、同一份專案，簡易模式只是把東西藏起來，不是另一個閹割版。

💡 專業模式的功能太多找不到？按 Ctrl+K，打「降噪」或「denoise」都會命中。

10 分鐘上手：簡易模式的八顆按鈕

以「剪 Podcast」這張卡為例，整個流程只用面板按鈕和滑鼠右鍵，不需要記任何快捷鍵：

每一顆會改到聲音的按鈕按完都會跳一句話加一顆「復原」，所以不用先學 Ctrl+Z。

用右鍵剪

在波形上拖出一段，按右鍵，簡易模式的選單是平的八項，沒有子選單：

最後一項「只輸出這一段」是很多人問的：選一段、右鍵、直接存成一個獨立的檔（社群短片、精華片段都用這個），專案本身完全不動。

選一段做效果：專業模式的「效果 ▸」與「修復 ▸」

切到專業模式，同樣是在波形上選一段按右鍵，多了兩個子選單：

每一種有參數的效果都是同一種對話框：一句白話說明、最多三個滑桿、幾個預設值、一顆「用建議值」，還有 A/B 試聽：同一段算出「原始」和「處理後」兩份，來回按著聽。

幾個值得知道的細節：

• 建議值是量出來的，不是寫死的。 降噪的建議量看這一段的底噪；峰值正規化看這一段的峰值。太小聲、分析解析度不夠時，對話框會直接說「這段太小聲，分析解析度不夠」，而不是印一個看起來很準的數字。
• 噪音樣本：選一段 0.3 到 5 秒沒人講話的純底噪，右鍵「把這段當噪音樣本」，之後所有降噪的底噪值都以它為準。選到有人講話的段落會被拒絕，並告訴你原因。
• 範圍效果在輸出時才套用，即時播放聽不到，所以時間軸上的色塊會標「輸出時套用」；要聽就用對話框的 A/B。以我們實測，一段十幾秒的 A/B 不到一秒就算好，因為它是對原始檔直接切那一段，不用等整集剪完。
• 兩種效果疊在同一段會自動拆成三塊，鏈內順序固定（先修 DC、再去爆音、再降噪、最後才是 EQ 和空間效果），不管你先加哪一個。

講壞了一句？用「重錄這句」

這是簡易面板的第七顆，也是我自己最常用的功能。流程是零旋鈕的：

在波形上選講壞的那一段
        │
        ▼
按「重錄這句」 ──► 先播一次原句給你聽
        │
        ▼
     3 - 2 - 1 ──► 開始錄（麥克風）
        │
        ▼
講完不出聲 1.5 秒自動停
        │
        ▼
修掉頭尾靜音 ──► 用對齊引擎把新錄的扭回原句的位置
        │
        ▼
原句靜音 + 新錄的疊上去（一次 Ctrl+Z 全部收回）

• 新錄的會存成 原檔名_take1.wav，對齊後再多一個 _aligned.wav，兩個都加進媒體清單，原始檔還是不動。
• 新錄的比原句長 30% 以上時不會硬拉伸（那會聽起來像卡通），而是問你「直接放上去（會蓋到下一句）」還是「重錄」。
• 輸出後的驗收知道原句被靜音了，不會把它報成「漏字」。

⚠️ 錄音走的是 WebView2 的麥克風權限，第一次會跳系統的允許提示。瀏覽器本身的回音消除、降噪、自動增益都會被關掉（那是給視訊會議用的），要降噪請用上面的降噪功能。

頻譜視圖與去嗡聲

專業模式「更多 ▾」裡有「波形 / 頻譜 / 疊合」：

頻譜是看哪一段就算哪一段（用 ffmpeg 的 showspectrumpic 出一張圖），不會預先算整檔，所以一小時的檔也不會多吃記憶體。捲動時前一張先跟著位移，停下來才要新的。

「去嗡聲」對話框一打開會真的去量這一段的頻譜，在 50 / 60 Hz 與諧波找突出的峰。量到了就自動填「60 Hz、挖 4 個諧波」；量不到會明講「沒有偵測到明顯的電源嗡聲」，不會硬填。

多軌：同步麥克風與 Guide / Dub 對齊

同步麥克風

一人一軌的遠端錄音，每個人各自按下錄音，起點會差幾秒。「工具 → 同步麥克風」勾選各軌（第一軌是基準），它用兩軌都聽得到的講話節奏對齊，列出位移和信心，確認後併成一個 _synced.wav 繼續剪。

錄超過 20 分鐘的軌常常會慢慢漂開（兩台錄音機的時鐘不一樣快）。這時「同時校正時鐘漂移」會自動勾起來，合併前先把其他軌扭到基準軌的時間軸。

Guide / Dub 對齊

這是抄 VocALign 的部分：「工具 → 對齊」，選一軌當 Guide（基準）、一軌當 Dub（要扭的），三種用途一個引擎：

分析完會給位移、最大偏差、每小時漂多少秒、信心；三條車道分別是 Guide、Dub、對齊後。Tightness 拉動時即時重算：0 是只做整體位移加線性漂移（等於同步麥克風），100 是貼到每個字。輸出 _aligned.wav 之後會自動每 10 秒比對一次殘差，對不上會說「可能沒對上：先聽第 N 秒那裡」。

以我用一個故意慢 2%、晚 350 毫秒的測試檔實測：分析 0.25 秒，量到每小時漂 −70 秒（真值 −72），輸出後驗收中位偏差 0 毫秒。

轉檔、從影片抽聲軌、合併檔案

開始畫面的「轉檔・合併」卡，或「更多 ▾」裡的「轉檔・抽聲軌」：

• 幾個檔一起選就是批次；影片（mp4、mkv、mov、webm）丟進來只拿聲音。
• 能直接複製就不重新編碼：mp4 裡的 aac 轉 m4a 是零損失、幾百毫秒的事。勾了「正規化到 −16 LUFS」才會重新編碼。
• 章節只有 mp3 和 m4a 寫得進去，輸出到別的格式會跳一句「這個格式寫不進：章節」，不會默默少掉。
• 「合併檔案」把幾個音檔照順序接成一個，留白或交越都可以，還能把各檔拉到同一響度。

把 AI 助手接上來

本機有 claude CLI 的話，App 內建的 MCP server 讓它直接操作剪輯決策。幾個實際用過的指令：

• 「把 10 分鐘後的『就是』都剪掉，但句首的留著」
• 「看看底噪要不要修，順便把整集的口頭禪剪掉」
• 「用建議值降噪我選的這一段」（對應 apply_effect 工具，任何效果都能套）
• 「把第二軌對齊到第一軌，信心太低就別輸出」（對應 align_tracks，信心低於 30% 會拒絕渲染）

助手聽不到聲音，所以有一支 get_loudness_profile 讓它「看得到」響度，還有 get_preflight 回答「可以輸出了嗎、還缺什麼」。

它是怎麼做到不動原檔的

簡單講一下運作原理，知道這個會比較安心：

原始錄音（永遠不動）
   │
   ├─ 波形 / 響度分析（本機、一次性、快取）
   │
   ├─ 決策：剪哪裡、哪裡加效果、配樂放哪、哪句重錄
   │       （全部是資料，存在專案檔，可以 undo）
   │
   └─ 輸出時才真的算：
        剪接（Rust 串流）→ 範圍效果 punch-in → 混配樂 → 量響度 → 正規化 + 編碼

• 剪接是 Rust 逐 frame 串流做的，記憶體只跟交越長度有關，一小時的檔也不會整個讀進來。
• 範圍效果（降噪、EQ 那些）是在剪好的成品上「挖一段出來給 ffmpeg 濾鏡、再用 10 毫秒交叉混回去」，寫出的 frame 數永遠等於讀進來的，所以字幕、章節、驗收的時間都不會跑掉。
• 前端從來不送 ffmpeg 的濾鏡字串，只送型別化的數字，Rust 端會夾在安全範圍內。

注意事項 / PS

• 不做音高：對齊只做時間，不做 VocALign 的 SmartPitch 那種音高修正；變調效果只是整段升降半音，不是自動修音。
• 疊錄對齊用的是能量包絡：長音裡的路徑可能比較鬆，Tightness 拉低一點會比較自然。分頻特徵是下一步。
• 自動剪贅字需要語音辨識：要接自架的轉寫伺服器或本機 Whisper，沒有的話其他功能（人工剪、效果、對齊、轉檔）都照常能用。
• 回音、殘響的尾巴在選取結尾截斷，選取要留一點尾巴給它。
• Windows 為主：我主要在 Windows 上開發和測試，macOS / Linux 的 build 有，但用得比較少。
• 開源、MIT 授權，程式碼在 GitHub，工具頁在 blog.markkulab.net/tools/ai-music-cut。

結論

這個工具的目標從來不是「功能比市售軟體多」，而是把 GoldWave、VocALign 那些真的有用的東西，包成第一次剪 Podcast 的人也按得下去的樣子：開檔、去雜音、剪一段、重錄這句、輸出，八顆按鈕，做錯了按復原。專業模式留給想要精準修剪、頻譜、對齊、命令面板的人，兩邊是同一套東西。

如果你也在剪 Podcast，歡迎試試看，也歡迎在 GitHub 開 issue 告訴我哪一步卡住了。下一步我想做的是選單列、把聲音體檢的結果一鍵修掉，以及疊錄對齊的分頻特徵。