在播客剪辑、有声书录制以及视频口播后期中，手工净化人声录音往往是最消耗耐心的环节。在一两小时的录音波形图里逐个寻找并切除“嗯、啊、这、那个”等口癖词，放大波形定位并抹去口水杂音与咂嘴音，再平滑接合说话人卡壳结巴的音节，往往会让后期的剪辑耗时成倍放大。
Cleanvoice AI 正是为解决这一后期痛点而设计的音频净化工具。与单纯依赖文本转写（Speech-to-Text）的剪辑软件不同，Cleanvoice 专注于从纯声学波形特征入手，自动识别人声录音中的多语言语气停顿与口癖词（覆盖 20 多种语言）、消除靠近麦克风时产生的细微咂嘴杂音与口水爆音，并精准平滑结巴与重复音节，同时保持真实自然的对话节奏。
本文将系统拆解播客创作者、配音员及视频团队如何使用 Cleanvoice 完成高效的人声净化，如何针对不同制作场景设置参数，以及如何在快速导出成片与非破坏性宿主（DAW）时间线工程之间做出选择。
1. Cleanvoice 的声学检测机制：为什么比纯文本剪辑更彻底？
很多创作者习惯使用“按文字修剪音频”的工具，把录音转成文字后像删文档一样删除口癖词。这类工具在处理标准且清晰的发音时表现尚可，但在实际录音环境中常常遇到三大瓶颈：第一，对于非英语语种或带有浓重口音（如澳洲英语、爱尔兰英语）的口癖，文字引擎容易误识或漏判；第二，轻微含糊的音节卡壳和口吃，转写系统常将其直接识别为重复单词，难以精确定位切分点；第三，非言语的物理噪音（如唾液杂音、舌齿轻微碰撞声），文字转写系统根本无法感知。
Cleanvoice 采取的是“声学波形优先”的检测策略：
- 多语言口癖词识别（Filler Words）： Cleanvoice 模型直接训练自人声声学频谱，能够识别超过 20 种语言的语气停顿与口头禅（包括英语、德语、法语、西班牙语、葡萄牙语、意大利语、荷兰语、罗马尼亚语、波兰语、土耳其语、阿拉伯语等）。即使说话者带有浓重的地方口音，它也能准确捕捉短促的含糊口癖，而不会伤及正常发音。
- 物理咂嘴音与口水音滤除（Mouth Sounds）： 当使用高灵敏度电容麦克风近距离录音时，嘴唇开合瞬间的粘连声、唾液爆破杂音极易被录入。传统音频降噪插件（如 iZotope RX Mouth De-Click）通常需要手动调整频段和灵敏度阈值，若设置不当容易削弱“t”、“k”等瞬态辅音的清晰度。Cleanvoice 针对整条音轨进行全自动微瞬态检测，在滤除口腔杂音的同时保留辅音冲击力。
- 口吃与卡壳音节平滑（Stutters & Hesitations）： 当讲话者因思考或紧张出现音节重复（例如“这-这-这个”或首音节打结）时，Cleanvoice 能识别重复波形并切除多余片段，恢复句子连贯性，同时保留说话人自然的停顿节奏，避免生成冰冷机械的拼接感。
2. 操作指南：从原始录音到纯净干音的完整工作流
Cleanvoice 的网页界面简洁直观，无需掌握高深的声音工程学参数即可完成人声净化。典型制作流程如下：
第一步：导入原始音频或视频素材
登录 Cleanvoice 仪表板后，上传需要处理的媒体文件：
- 支持格式： 支持 WAV、MP3、M4A、FLAC、OGG、AAC 等常见音频格式，以及 MP4、MOV、WebM 等视频容器。
- 文件规格： 注册用户单文件最高支持 3 GB（未登录访客为 1.5 GB），多轨上传总容量支持达 8 GB。
- 多轨协同（Multitrack）： 针对访谈类节目，支持同时上传最多 5 条独立分轨（如主持人与多位嘉宾麦克风）。Cleanvoice 会将多轨作为关联工程整体处理，确保在主持轨切除口癖时，嘉宾轨的时间轴严格对齐，绝不产生多轨相位混乱或声画错位。
第二步：配置净化与剪辑参数
Cleanvoice 允许用户根据内容类型灵活开启或关闭不同模块：
| 参数名称 | 功能说明 | 推荐使用场景 |
|---|---|---|
| Filler Words（口癖消除） | 识别并切除 20 多种语言中的常见语气词（um、uh、er、like 等） | 知识科普播客、单人口播、访谈录音精剪 |
| Mouth Sounds（咂嘴消除） | 消除唾液爆音、湿性唇音与舌齿碰撞声 | 有声书演播、近讲电台、人声配音 |
| Stutters（口吃消除） | 切除打结、重复的假开头与残缺词头 | 现场即兴对谈、长篇口述历史、脱口秀采访 |
| Breath Removal（呼吸音处理） | 弱化或消除明显的吸气、喘息声 | 建议选择 natural 或 legacy 模式，保留自然换气感 |
| Dead Air（空白停顿修剪） | 自动收紧说话人之间过长的空白静音 | 建议开启；根据节目节奏微调门限，避免过于局促 |
| Preserve Length（保持时长 / 静音模式） | 遇口癖时不缩短时间线，改用房间环境底噪将其静音 | 视频播客防跳剪、需导入剪辑软件对画面的工程必选 |
第三步：运行处理与在线试听对比
点击开始处理后，Cleanvoice 通常在 5 到 10 分钟内即可完成 60 分钟录音的检测与计算。处理完成后，控制台会详细罗列本次编辑的数据统计（包含检测出的口癖总数、咂嘴次数、结巴剪辑点及静音段落）。
创作者可以在网页播放器中开启 A/B 对比播放，实时对比处理前与处理后的效果，确认满意后再决定下载。
3. 双轨输出模式：一键成品渲染与 DAW 时间线工程导出
在后期制作流程中，Cleanvoice 既能为追求速度的独立创作者提供开箱即用的成片导出，也能深度融入专业音频工程师的工作站：
模式一：直接渲染成品文件（追求效率与快速发布）
对于个人博主、企业内训、播客快速分发场景，可以直接导出净化后的成片：
- 格式选择： 支持高质量 WAV、FLAC、320 kbps MP3、AAC 或 Opus。
- 联合处理功能： 可同步开启 Cleanvoice 的 Noise v2（背景底噪消除）与 Normalize v2（播客标准的 -16 LUFS 响度均衡），一步到位生成可直接上架的节目母带。
- 视频专属对齐： 在勾选
Preserve Length（保持时长）后导出的视频文件，所有切除位置均被处理为平滑环境音，画面的关键帧和动作时间完全不变，杜绝人物画面“跳帧闪烁”（Jump Cut）的现象。
模式二：时间线与标记点导出（追求极致掌控的专业 DAW 流程）
对于需要精细混音、添加旁白与配乐的专业声音设计师，把所有剪辑权完全交给 AI 渲染往往存在失控风险。Cleanvoice 提供了时间线与标记导出能力：
- Adobe Audition 与 Premiere Pro： 导出包含精确剪切点的时间线 XML 文件，或直接导出序列标记（Markers）。
- DaVinci Resolve： 导出标准 EDL（剪辑决策列表），与视频主时间线实现帧级对齐。
- REAPER： 导出 REAPER 工程文件，所有口癖切口均已建立初始淡入淡出包络。
- Audacity： 导出标签轨（Label Track），在波形图下方直观标出所有口癖、咂嘴和结巴的位置。
这种“AI 粗剪定位 + 人工复核微调”的混合流程，能帮剪辑师在几秒内排查数百个微瑕疵，同时保留人工对重要情绪停顿的最终取舍权。
4. 工具横向对比：Cleanvoice 与传统插件及文本剪辑的区别
| 维度 | Cleanvoice AI | 传统音频修复插件（iZotope RX 等） | 文本转写剪辑工具（如 Descript 等） |
|---|---|---|---|
| 核心检测逻辑 | 声学频谱 AI 模型 | 频谱阈值与物理声学算法 | 语音转文字（ASR）文本匹配 |
| 多语言口癖支持 | 原生支持 20 多种语言声学识别 | 不支持（需全手工拉选区切除） | 严重依赖转写字典；小语种或重口音易漏判 |
| 微小口水音与咂嘴音 | 几分钟内全轨道批量自动抹除 | 效果极佳，但需逐段调试灵敏度门限 | 无法识别（文字层无对应符号） |
| 口吃结巴修复 | 自动识别音节循环并精准修平 | 需手动放大波形切片并做交叉淡化 | 容易将结巴文字误判为有效重复词 |
| 宿主时间线导出 | 支持 Audition、Premiere、Resolve、REAPER、Audacity | 本身作为宿主插件运行 | 依赖专有平台工程格式 |
| 多轨同步处理 | 支持最多 5 轨严格相位同步 | 需在宿主内手动分组联动剪辑 | 基础文本对齐 |
5. 获得录音室级自然听感的实操建议
为了在净化的同时保持人声的生动与自然，创作者在实操中应当注意以下几点：
- 避免“过度净化”导致人声发僵： 录音中适度的呼吸和沉思停顿是人类自然交谈的有机组成部分。如果全部切除，语速会显得急促、充满窒息感。建议呼吸音选择
natural或legacy模式，保留轻微的环境呼吸起伏。 - 视频与外置混音务必启用“保持时长”： 如果录音最终需要导入剪辑软件配合视频画面，或者需要与分轨音乐混合，务必勾选
Preserve Length（API 对应muted: true），用静音代替切除，避免多轨音频素材发生累积性声画错位。 - 录音前期控制优于后期修补： 尽管 Cleanvoice 的物理除杂能力极强，但如果录音者口腔极度干燥且贴近麦克风爆破发音，消除严重杂音时边缘音质难免受到极轻微波及。录音前饮用温水、配合防喷罩并保持 10 到 15 厘米距离，能为 AI 运算提供最优质的底料。
- 注意 7 天存储保留周期： Cleanvoice 平台对上传与处理完成的文件保留 7 天，逾期后永久销毁。若有重新调整导出参数或提取 EDL 的需求，请在一周内完成操作。
6. 计费模式与版本选型参考
Cleanvoice 采用按处理音频时长计费的灵活积分体系，兼顾不同规模的使用需求：
- 免费试用： 注册即赠送 30 分钟免费处理额度，无需绑定信用卡。
- 按量充值包（时长额度有效期长达 2 年）：
- 5 小时包：11 美元（约合 2.20 美元 / 小时）
- 10 小时包：20 美元（约合 2.00 美元 / 小时）
- 30 小时包：45 美元（约合 1.50 美元 / 小时）
- 大容量套餐支持最高 200 小时（180 欧元）。
- 月度订阅计划（支持未消耗时长结转）：
- 基础订阅从每月 10 欧元起。
- 常见 30 小时订阅档位为 28 美元 / 月。
- 当月未用完的订阅时长额度可自动结转至下月，最高可累积结转至月度额度的 3 倍。
- 开发者 API 与 SDK 支持： 提供完整的 Python SDK（
cleanvoice-sdk）与 JavaScript/TypeScript SDK（@cleanvoice/cleanvoice-sdk），方便技术团队将音频净化能力集成到工作流编排工具（n8n、Make.com）或音视频 SaaS 产品中。
Cleanvoice 巧妙填补了耗时费力的纯手工波形修剪与生硬机械的纯文本删词之间的空缺。通过深耕底层声学识别，它将繁复的降噪、去杂音、去结巴工序缩短至数分钟内，让创作者能够将精力真正回归到内容表达与故事讲述本身。
参考资料
- Cleanvoice AI | Edit Audio & Video Podcast in 10 Mins, in Clicks
- Cleanvoice AI Marketing & Feature Overview (llms.txt)
- AI Filler Word Remover: Cut the Ums & Uhs | Cleanvoice AI
- Mouth Noise Remover: Clicks & Lip Smacks | Cleanvoice AI
- Stutter Remover — Fluent Audio with AI | Cleanvoice AI
- Cleanvoice AI API & Developer Documentation (llms.txt)
- Pricing — Start Free, Plans from €10/month | Cleanvoice AI