口播影片 AI 剪輯的做法，是先用語音辨識取得逐字時間戳，再依逐字稿去掉空白、停頓與重講，接著上繁中與英文雙語字幕。這篇以真人口播為範圍，說明時川國際實際的流程、AI 能處理的步驟，以及字幕校對、節奏取捨與最終審片為什麼仍要靠人，適合已經會自己拍口播、想把後製交給 AI 的中小企業主與行銷人員。
tags
口播影片 AI 剪輯的做法，是先用語音辨識取得逐字時間戳，再依逐字稿去掉空白、停頓與重講，接著上繁中與英文雙語字幕。這篇以真人口播為範圍，說明時川國際實際的流程、AI 能處理的步驟，以及字幕校對、節奏取捨與最終審片為什麼仍要靠人，適合已經會自己拍口播、想把後製交給 AI 的中小企業主與行銷人員。
ready to grow?
AI 能處理轉錄、去空白與字幕草稿，取捨和最終確認仍要由人負責。
時川國際所說的「真人口播」，是老闆或專家本人對著鏡頭講話、由本人自己拍好的影片，畫面裡的人和聲音都是本人。口播影片 AI 剪輯指的是這類影片的後製：AI 把一段原始錄影整理成可以發布的版本，講者的畫面和聲音不會被 AI 生成或替換。
時川目前的流程分成四步：語音轉文字、剪輯與字幕決策、選配的動畫圖卡、渲染與檢查。工具負責搬運檔案和輸出成品，判斷主要放在第二步，由大型語言模型閱讀逐字稿與每個字的時間戳，決定哪些區段保留、字幕怎麼斷句。圖卡屬於選配，這篇只談去空白和雙語字幕。
| 步驟 | AI／程式做的事 | 仍要人處理的事 |
|---|---|---|
| 語音轉文字 | 產出逐字稿與每個字的時間戳 | 講者確認聽不準的字 |
| 去空白與贅詞 | 依逐字稿剪掉空白、重講與填充詞 | 講者看過成片，確認節奏符合自己的風格 |
| 字幕 | 斷句、校成繁中用語、草擬英文行 | 講者確認待確認清單 |
| 渲染與檢查 | 程式量測時長、音畫同步、字幕是否超出片尾；AI 抽影格看字型與標色 | 表情、演出好壞、挑哪一個 take，由人決定 |
若需求是用 AI 生成素材做整支影片，那是另一條流程，可以看AI 短影音製作流程。這篇只談已經拍好的真人口播後製。
去空白不能只看音量，要依逐字稿判斷哪些是空白、哪些是節奏。這裡的「空白」指的是無聲的停頓，不是畫面上的留白。
通用的靜音偵測工具靠兩個參數判斷：音量低到什麼程度，以及持續多久。以影音處理工具 FFmpeg 的 silencedetect 濾鏡為例，預設的雜訊門檻是 -60dB，靜音要持續 2 秒才會通知（FFmpeg Filters Documentation，2026）。這個 2 秒只是偵測時的通知門檻，並沒有規定該剪多短，所以不能直接拿來當剪輯規則。何況單看音量與持續時間，也分不出口播裡的換氣、強調前的停頓和真正的空白。時川目前的預設是句間空隙從 0.4 秒起算才剪。
時川的做法是先語音轉文字取得逐字時間戳，再由大型語言模型讀逐字稿決定保留區段，目標是緊湊但像人剪的。以下是時川目前的預設設定，實際會依每支影片調整。預設會剪掉的有四類：
開頭與結尾的空白，保留約 0.15 秒的呼吸
句與句之間 0.4 秒以上的空隙，兩側各留 0.14 至 0.2 秒
口誤後的重講，保留最後一次
沒有意義的填充詞，例如「嗯」「呃」「那個」
會保留的有兩類：句中不到 0.4 秒的自然停頓，以及有表演意圖的語氣詞，例如「欸」「哇」。拿不準就保留，因為剪掉的語氣和節奏補不回來。每個剪點都要落在字與字的空隙，不能切在字中間，時川會用逐字時間戳逐一核對。不同講者語速不同，這組數字只是時川目前的預設，不是通用標準。
講者錄影時可以先配合：講錯時整句重講，不要只補半句，逐字稿裡出現重複的整句，才容易判斷保留最後一次。手機拍的素材常是可變幀率，不先統一格式就拼接，容易音畫漂移，時川會先統一多段素材的格式再拼接，所以分成幾段拍也沒關係。
AI 字幕常錯在同音字、簡體字混入與聽不準的詞，建議先校中文再翻英文。
YouTube 說明中心指出，自動字幕由機器學習演算法產生，品質可能不穩定；發音不正確、口音或方言不同、背景雜音較大，都可能讓字幕無法精準呈現影片對白，因此「請務必審核自動產生的字幕，並修改轉錄有誤的部分」（YouTube 說明中心，自動產生的字幕，2026）。W3C 網路無障礙倡議（WAI）也建議預留時間修正自動產生的逐字稿，因為文字常與實際語音不符，有時還會改變原意（W3C WAI, Transcribing Audio to Text，2020）。
時川使用的語音辨識，是以 OpenAI 公開釋出的 Whisper 模型為基礎的工具，faster-whisper 是它的重新實作（faster-whisper, GitHub，2026）。Whisper 的論文摘要提到，模型以 68 萬小時的多語言、多任務監督資料訓練（Radford 等人，arXiv 2212.04356，2022）。時川實際跑中文口播時，輸出常混入簡體字和同音錯字，例如「級大片」被寫成「及打片」。對外成品時川預設用較大的模型，以聽寫準度優先；第一次轉錄出現明顯錯聽，會換另一個模型重跑，兩份逐字稿對照，就分得出是模型聽錯，還是講者真的這樣說。
建議的校對順序如下，前三項是時川目前的做法：
校中文原文：簡體字、同音錯字、專有名詞、數字，逐句校成道地的繁中用語。
處理聽不準的字：放上最可能的版本，不腦補，交付時列成清單，請講者確認。講者最清楚自己說了什麼，一句話就能修正。
斷句：每行 13 字以內，在語意邊界切開，一條字幕只放一個意思。逗號和句號改成全形空格，只保留問號和驚嘆號。
英文行等中文定稿後再處理，因為中文的錯字會被一路翻進英文，觀眾兩行都會看到錯。
看到這裡有問題？
直接問 比慢慢查快
雙語字幕以中文為主行、英文為輔，9:16 的口播影片建議直接燒進畫面。
W3C WAI 指出 captions 與 subtitles 在不同地區常指同一件事，但這份資源把 captions 用來指與語音同一種語言的文字，subtitles 指語音翻譯成另一種語言的文字；多數字幕可以由觀眾開關（closed captions），也有永遠顯示、無法關閉的版本（open captions）（W3C WAI, Captions/Subtitles，2024）。照這個用法，中英雙語字幕的中文行屬於 captions，英文行屬於 subtitles，直接燒進畫面的做法屬於 open captions。
字幕檔和燒錄各有適用場合。YouTube 可以上傳 SRT 字幕檔，但說明頁寫明 SRT 僅支援最基本的版本，無法識別任何樣式資訊，檔案必須是純 UTF-8 編碼。想在字幕檔裡控制樣式或位置，同一頁另列了 SAMI、WebVTT、TTML 等進階格式，各格式支援的樣式與位置範圍不同（YouTube 說明中心，支援的字幕檔案，2026）。需要多語言切換的長片，適合上傳字幕檔；短影音要關鍵字標色、固定位置，又不確定各平台讀不讀得到字幕檔，直接燒錄比較單純。其他平台是否支援外部字幕檔、支援哪些格式，本文沒有逐一核對，發布前請以各平台後台的說明為準。時川的管線輸出的是把字幕燒進畫面的 9:16 成品，標色與位置都固定在畫面上。
雙語字幕的幾個做法：
英文行用口語短句，不逐字直譯。
關鍵字變色，每句最多一組，挑賣點名詞、數字或動作召喚（例如按讚、追蹤），不是每句都要有。
雙語會占兩行版面，拍攝時把人放在畫面上半，下半留給字幕，才不會遮到臉。
英文專有名詞和品牌英文名，建議請熟悉英文的人再核對一次。
雙語字幕不是每支口播都需要。受眾沒有外語族群時，繁中單語字幕就夠了，還能少一道英文核對。
講者負責錄製與確認，AI 負責剪輯與字幕草稿，審片這一關由人把關。
口播影片 AI 剪輯的分工，是時川流程加上建議做法整理出來的。需要人的步驟，多半集中在錄製前和審片後：
| 階段 | 誰負責 | 重點 |
|---|---|---|
| 腳本與錄製 | 講者 | 講錯整句重講；人放畫面上半，背景乾淨 |
| 轉錄與初剪 | AI | 多段素材可一次處理 |
| 字幕校字 | AI 先校，講者確認 | 聽不準的字不腦補，列成清單 |
| 英文行 | AI 草擬，建議由熟悉英文的人核對 | 口語短句，專有名詞要查證 |
| 渲染與自動檢查 | 程式 | 時長、是否殘留空白、字幕是否超出片尾、音畫同步、黑邊、頻閃 |
| 版面抽驗 | AI 讀抽出的影格 | 字型是否正確、關鍵字有沒有變色、圖示位置 |
| 審片與發布 | 講者與品牌方 | 表情、演出好壞、挑哪一個 take、最終同意 |
拍攝端的建議是：頭頂距畫面頂約 15%，臉集中在上半；畫面下方約四成保持胸口與背景，不放臉；人物置中、左右留邊，背景用乾淨的淺色牆，不要站太近。照這樣拍，字幕和圖卡就能固定放在下半，不用每支片重新判斷臉在哪裡。
音量方面，時川的渲染步驟會把響度統一到固定目標，檢查步驟也會提示響度偏離；不過整支片聽起來順不順、人聲清不清楚，仍要靠人聽過一遍。
時川國際把這項服務稱為「AI 剪輯加速」：客戶自己拍好真人口播，時川用 AI 去掉空白與停頓，再上中英雙語字幕，細節見AI 短影音服務頁。這項服務不在官網公開報價內，費用依影片需求評估，請加時川國際 LINE說明影片需求。手上若是一小時的直播或演講長片，要先挑片段再剪，可以看長影片剪成短影音的作法。
要自己做還是委外，可以這樣抓：每月支數少、團隊有人懂剪輯，自己用工具；每支都要雙語字幕、又缺人力，就委外。
YouTube 把字幕製作列為不需揭露，去空白與填充詞三個平台都沒有逐項點名。
YouTube 說明中心把「字幕製作」「製片輔助」，以及「影片銳利化、畫質提升或修復，以及語音/音訊修復」列在不需要揭露的項目，並註明清單僅列出部分示例。需要揭露的，是 AI 實質變造或生成擬真內容的情況，例如呈現真實人物並非本人所為的言行，或以移花接木的方式讓影片中的人物說出從未說過的建議（YouTube 說明中心，揭露使用生成式 AI 內容，2026）。
就這篇談的去空白與雙語字幕流程來說，時川的剪輯動作限於刪除空白、重講與填充詞，字幕也是照講者實際說的話校字，性質比較接近上述不需要揭露的項目。不過這只代表 YouTube 的現行說明，Meta 與 TikTok 的寫法不同。若影片另外加了圖卡、配樂或音效，那些動作不在這篇談的範圍，要另外對照各平台規則。
TikTok 的社群準則要求，AI 生成或大幅編輯、且呈現逼真場景或人物的內容要加註標示，未標示的內容可能被移除、限制，或由平台加註標示（TikTok 社群準則，誠信與真實性，2026）。TikTok 創作者學院的繁體中文說明則把色彩校正、重新取景或裁切等小幅調整，列為不需要標示的情況（TikTok 創作者學院，AI 生成內容標籤，2026）。
Meta 的社群守則要求，發布含逼真影片或擬真音訊、且經數位創作或變造的自然貼文（非廣告）時，要使用 Meta 的 AI 揭露工具標示，未標示可能受到處罰（Meta 透明度中心，社群守則：錯誤資訊，2026）。TikTok 與 Meta 的官方頁面都沒有逐項點名刪除空白、填充詞與字幕校字是否需要標示。剪輯時別改變講者原意，實際請以發布當下各平台後台的最新說明為準；這段也不是法律意見，涉及廣告法規的疑問，請洽專業人士。
自己從腳本、素材到配音全程用 AI 做短影音時，標示只是發布前要核對的其中一件事，完整的人機分工與 5 道審稿關卡見中小企業 AI 短影音自己做：工具組合、人機分工與 5 道審稿關卡。
Q1：口播影片 AI 剪輯一定要加雙語字幕嗎？
不一定。受眾沒有外語族群時，繁中單語字幕就夠了。雙語字幕會多占一行版面，也多一道英文核對，有外語觀眾或要給海外客戶看時才值得加。
Q2：AI 去空白會不會把我的停頓全部剪掉？
不會全部剪掉。以時川目前的預設設定來說，剪的是開頭結尾的空白、0.4 秒以上的句間空隙、口誤重講與填充詞；句中的短停頓和有表演意圖的語氣詞會保留，拿不準的也保留。實際門檻會依影片調整，不是固定規格，節奏是否符合你的風格，仍要由講者看過成片確認。
Q3：手機拍的口播影片可以直接交給 AI 剪嗎？
可以。手機素材常見可變幀率，時川會先統一格式再拼接，避免音畫漂移。
Q4：AI 字幕出錯，誰來確認？
講者本人最清楚自己說了什麼，所以聽不準的字會列成清單請講者確認。發布前也建議本人把成品完整看過一遍，包含字幕位置和英文行。
