简诗 AI 播客剪辑

要解决的问题

播客录制完成后，音频文件里通常混杂着大量口语化的停顿词（嗯、呃、啊、哦），长时间的冷场静音，以及设备底噪。如果是多人对谈，还经常遇到嘉宾声音被主持人盖住、响度差异明显的问题。手动剪辑这些内容既耗时又难以保证一致性，尤其是当一期节目已经发布后发现个别片段需要修改时，重新走一遍完整的剪辑流程代价极高。

核心能力与工作流

该技能围绕播客后期处理的完整链路设计，主要包括以下能力：

• 智能裁剪：通过转录识别片头与片尾标记（如 welcome、大家好、感谢收听），自动切除录制前的准备杂音和结束后的闲聊
• 填充词移除：利用 Whisper API 的词级时间戳定位 um、uh、对对对 等口头禅，通过脚本生成 atrim+concat 滤镜一次性切除
• 静音修剪：将超过 2 秒的长静音压缩至约 0.6 秒的自然停顿
• 音频增强：包含降噪、EQ、多说话人音量平衡和响度标准化至播客标准 -16 LUFS
• 已完成节目精修：对已发布的 MP3 进行局部切除，无需重新处理整个流水线
• 高光片段生成：提取可分享的声音片段并合成约 1 分钟的配乐 Reel

标准工作流程分为五个步骤：首先检查音频文件的 duration、sample rate、channels 等元信息；然后通过 5 分钟分块转录识别播客的正式起止点并做无损初始裁剪；接着用词级时间戳转录移除填充词并生成滤镜链；随后应用音频增强链并验证响度参数；最后输出处理报告，包含时长、文件大小、移除的填充词与静音数量等统计信息。

适用边界与注意点

该技能对中文填充词的识别存在约 10%–20% 的遗漏率，因为 Whisper 的词级时间戳可能无法区分融入相邻语音的口头禅。音频增强链中严禁添加 agate（噪声门限），它会将音量低于阈值的嘉宾完全静音；同时避免使用重压缩（ratio > 3:1）和过窄的 loudnorm LRA（< 12），这些都会破坏自然的人声动态。

对已发布节目的精修采用独立的轻量流程：重新转录最终文件获取绝对时间戳，对需要切除的片段获取词级时间戳以精确定位入出点，构建保留其余内容的滤镜链，渲染为 WAV 后单次编码为 MP3。注意不要重新应用增强链，否则会造成双重处理。每次拼接后需提取连接处前后约 11 秒的音频重新转录，验证拼接是否自然。

制作高光片段时，不能仅凭转录文本判断说话人身份——Whisper 给出的是文字而非声音归属。当需要区分特定嘉宾时，需使用 resemblyzer 进行声纹聚类，从自我介绍或产品推介等单人片段构建参考音频，再对全片分段进行余弦相似度匹配。另一个常见误区是忽略主持人的声音，高光 Reel 必须覆盖所有说话人，包括通常只提问的主持人。

此外，Whisper API 的并行词级调用偶尔会返回空响应（0 字节），此时需串行重试并在每次调用间加入 sleep 1。剪辑时 -ss 和 -to 参数必须作为输入选项放在 -i 之前，否则会产生静音或错误的时间范围。