在多说话人访谈类播客的后期制作中，音频降噪与口语清洗往往是最耗费精力的环节。无论是通过 Riverside、SquadCast、Zoom 远程录制，还是在专业录音棚使用多支麦克风分轨录制，主播与嘉宾的独立音轨上通常都充斥着微小的听觉瑕疵：不自主的咂嘴与口水音（mouth clicks）、沉重的呼吸喘气声、反复出现的无意义语气词（如“嗯”、“啊”、“那个”、“you know”），以及节奏尴尬的长时间静音（dead air）。
如果依靠人工在宿主软件中逐个定位、剪切并补底噪，一期一小时的双人访谈往往需要耗费三到四个小时的精修时间。更棘手的是，若对单条音轨使用简单的自动化剪辑，一旦在音轨 1 上剪掉 1.2 秒的停顿，而音轨 2 没有同步平移，多轨之间的时间轴就会立刻错位，导致插话、垫字、附和与抢话完全失去节奏。
Cleanvoice 正是为了解决这一痛点而设计的专业 AI 音频清洗工具。它支持多轨时间轴同步（multitrack synchronization），既能一键批量剔除各个声道上的语气助词、口水杂音与不自然停顿，又能牢牢锁住多轨间的相对时间相位。针对不同工序需求，剪辑师既可以直接导出清洗后的独立分轨，也能将 AI 剪辑标记（Markers）或时间线工程（EDL）导入 Audacity、Adobe Audition、Adobe Premiere Pro、DaVinci Resolve 或 Reaper 进行无损微调。
多轨访谈剪辑的核心难点：为什么传统自动化工具容易“翻车”？
在处理多人访谈录音时，简单的门限降噪（Noise Gate）或单轨自动剪切往往会带来严重的制作事故：
- 多轨时间轴错位与对齐失真：对话是双向互动的。当嘉宾在思考停顿时，主播可能会发出轻微的“嗯”表示倾听。若自动化工具粗暴地把嘉宾轨的 3 秒空白裁切掉，嘉宾接下来的发言就会整体前移 3 秒，直接与主播的声音撞车，摧毁整个谈话逻辑。
- “数字黑洞”与底噪断层：录音环境永远存在背景本底噪声（Room Tone）。如果直接将语气词或停顿片段静音置零（-inf dB），听众的耳朵会立刻捕捉到突兀的“环境声消失”，产生生硬、冰冷的机械感。
- 麦克风串音（Bleed）误判：即便使用动圈麦克风，同空间内的多支话筒或高增益录音依然不可避免地会拾取微弱的串音。若算法不够精细，很容易将邻近麦克风的串音误判为微弱杂音或口水音，从而切碎正常的声波边缘。
Cleanvoice 采用针对不同瑕疵专门训练的神经网络模型，在进行语气词消除与停顿压缩的同时，通过环境底噪智能填补（Room Noise Insertion）与跨轨道联动机制，确保修剪后的音轨依然维持自然、连贯的听感。
Cleanvoice 核心检测模块解析
Cleanvoice 并非单一块面的滤镜，而是由多个可独立配置的 AI 清洗模块组成：
| 功能模块 | 目标听觉瑕疵 | 处理方式与听感保障 |
|---|---|---|
| Filler Words Remover（语气词消除） | “Um”、“uh”、“ah”、“you know”、“like”及多语言口头禅（支持 20 多种语言） | 精准识别音素边界，切除无意义语气词；自动填补周围环境底噪并施加微淡变，避免语流断层。 |
| Mouth Sound & Breath Remover（口水音与呼吸音消除） | 唾液黏连声、咂嘴声、舌尖弹响及过重的喘气声 | 捕获高频微瞬态杂音并定向平滑；保留人声正常的齿音与高频清辅音，避免人声发闷或失真。 |
| Silence / Dead Air Remover（静音与过长停顿修剪） | 思考时的长时间空白、卡壳与冷场 | 区分自然的交谈顿挫与过长的尴尬死寂；将超长空白收缩至设定的合理区间，而非粗暴全删。 |
| Stutter Remover（结巴与假起始修复） | 单字重复、音节口吃、半截词打磕绊 | 识别重复音素，裁切多余的重复抖动，保留完整词汇的正常发音。 |
| Audio Enhancer & Studio Sound（演播室音质增强） | 房间轻微混响、交流电嗡鸣、空调杂音、音量忽大忽小 | 抑制背景环境噪音，均衡人声音量动态，无需复杂效果链即可输出广播级平稳听感。 |
剪辑实操指南：多轨录音全流程清洗
专业播客制作团队通常遵循以下四步标准流程，将 Cleanvoice 融入现有的工作流中。
第一步：音轨前置对齐与分轨导出
在将音频上传至 Cleanvoice 之前，必须确保所有说话人的音轨拥有完全一致的起始时间点：
- 在录音平台（如 Riverside、SquadCast、Zoom）或宿主软件中，将所有参会者音轨头部对齐至 00:00:00:00。
- 分别导出各说话人的无损 WAV 文件（或高码率 MP3/M4A），并清晰命名（如
Host_Track.wav、Guest1_Track.wav）。 - 注意：上传前切勿提前施加激进的压限或噪声门，保持人声瞬态原始自然，能让 Cleanvoice 的 AI 识别准确率达到最高。
第二步：上传与多轨工程配置
- 登录 Cleanvoice 控制台，新建工程。
- 将已对齐的多轨音频文件同时拖拽至上传区域。Cleanvoice 支持本地上传、Google Drive、Dropbox 关联或网络直接直链。
- 开启多轨处理（Multitrack Mode）：系统会自动识别多文件关联性，启用多轨协同算法。
- 勾选清洗模块：
- 勾选 Filler Words Remover 并指定录音语言。
- 勾选 Mouth Sounds Remover 与 Breath Remover。
- 配置 Silence / Dead Air 压缩阈值，设定允许保留的停顿秒数（建议 1.2 至 1.8 秒）。
- 开启底噪自动补全选项，让切除空隙自然过渡。
第三步：路径抉择：直接渲染成品音轨 vs. 导出工程时间线
针对不同制作标准与工期要求，Cleanvoice 提供了两条截然不同的输出路径：
路径 A：快速成片——导出已处理音频分轨（Direct Render）
适用于日更播客、快速周更访谈、短视频播客或企业内部分享：
- 处理完成后，直接下载已同步清洗的独立分轨（Cleaned Stems），或直接下载合并混音后的完整单轨（Merged Track）。
- Cleanvoice 会在多轨间自动保持时间对齐，或通过底噪填充来保持原始时间码一致。
- 剪辑师将清洗后的分轨拉入宿主软件，只需做最终的响度标准化（如播客通行的 -16 LUFS）并混入片头片尾音乐，即可迅速交付。
路径 B：专业无损——导出标记点与时间线（Markers / Timeline Export）
适用于叙事类播客、商业客户定制节目或对剪辑手感有极致追求的专业音频工程师：
- Markers 导出（配合已清洗音频使用）：Cleanvoice 会输出匹配 Audacity、Adobe Audition、Adobe Premiere Pro、DaVinci Resolve、Reaper 的标记文件或 .EDL 剪辑决策表。将清洗后的音频和标记文件同时载入 DAW，剪辑师可以直接在时间线上按快捷键在各个标记点之间跳转，专门复查 AI 剪切处的人声自然度与交叉淡化效果。
- Timestamps / Timeline 导出（配合未剪辑原始音频使用）：在这一模式下，原始录音波形完全不被破坏，Cleanvoice 会生成针对原始音频的剪辑建议标记（标注语气词、口吃和口水音位置）。剪辑师导入工程后，可以直观看到 AI 建议删除的片段，保留 100% 的手动确认权，一键波纹删除或手动微调入点出点。
制作细节提示：Cleanvoice 的 Timestamps 标记主要聚焦于语气词、口吃与口水音的精确定位；对于长时间的空白静音（Dead Air），建议通过自动修剪功能或整体时间线工程统一处理。
第四步：宿主软件中的终检与母带处理
在 DAW 中完成组装后：
- 重点复查叠话处（Crosstalk）：检查两位说话人同时笑场或插话的区间，确认底噪过渡平滑，没有出现忽隐忽现的“抽吸感”。
- 修补边缘切片：若发现某个字尾被切得略微过急，在 DAW 中将切片边缘向外拉出 10-20 毫秒并施加等功率交叉淡化。
- 总线母带链：挂载人声总线均衡、齿音消除器（De-Esser）以及目标响度限制器，完成最终母带输出。
两种工作流选型对比
| 评估维度 | 直接音频分轨导出（路径 A） | 时间线 / 标记点导出（路径 B） |
|---|---|---|
| 输出格式 | 已清洗的独立 WAV/MP3，或合并后的音频 | EDL 文件、DAW 标记轨、Audacity 标签轨 |
| 波形改变方式 | 破坏性 AI 渲染（带底噪填补） | 非破坏性，原始录音波形保持原样 |
| 精细度控制 | 依赖网页端全局灵敏度预设 | 在宿主软件中拥有样本级别的微调权限 |
| 适用场景 | 工期紧张、个人创作者、大批量高频产出 | 叙事类大作、商业客户节目、专业录音棚母带 |
| 支持的后期软件 | 任何音频播放器或宿主软件 | Audacity；Adobe Audition；Premiere Pro；DaVinci Resolve；Reaper；EDL 兼容工具 |
| 时间成本 | 5 至 10 分钟自动处理完毕 | AI 处理 5 分钟加上 15 至 30 分钟人工复检 |
Cleanvoice 计费与多轨时长核算
Cleanvoice 采用按处理音频总时长计费的模式。需要特别注意的是多轨录音的时长换算：计费是按所有上传音轨的时长总和累计的。例如，一期时长 1 小时的双人对谈访谈，上传了主播与嘉宾 2 条音轨，系统实际消耗的时长为 2 个音频小时。
1. 月度订阅方案（支持额度结转）
- Starter 方案：11 美元 / 月（约 10 欧元），包含 10 小时音频处理额度（约 1.10 美元 / 小时）。
- Standard 方案：28 美元 / 月（约 25 欧元），包含 30 小时音频处理额度（约 0.93 美元 / 小时）。
- Pro 方案：90 美元 / 月（约 80 欧元），包含 100 小时音频处理额度（约 0.90 美元 / 小时）。
- Custom / 企业定制：支持每月 200 小时以上的大用量客户，提供专属 API 端点与优先技术支持。
- 额度结转政策：当月未用完的订阅时长额度可自动滚入下月，最多可累积至套餐月额度的 3 倍。
2. 按需充值包（Pay-As-You-Go，2 年有效）
针对产出不固定的独立制作人或季节性节目：
- 5 小时包：11 美元（2.20 美元 / 小时）。
- 10 小时包：20 美元（2.00 美元 / 小时）。
- 30 小时包：45 美元（1.50 美元 / 小时）。
- 有效期：按需购买的积分额度在购买后 2 年内均有效。
3. 免费试用与数据保存周期
- 新用户试用：注册即赠送 30 分钟免费音频处理额度，无需绑定信用卡。
- 文件保留机制：上传的原始文件与处理完成的文件均在服务器安全保留 7 天，7 天后系统永久物理删除。制作人需在处理完成后及时下载音频与工程文件。
资深剪辑师的实战建议
- 录音头尾保留环境样本：切勿将录音从说话的第一声紧贴着切开。在正式开场前和结束后保留 3 到 5 秒的纯室内环境底噪，这能为 Cleanvoice 的环境底噪生成模型提供最精准的声学参考。
- 警惕“过度清洁”：人类自然谈话需要呼吸感与思考留白。不要把静音阈值降至过低，也不要把每一次换气都彻底剥除。将静音检测阈值维持在 1.2 到 2.0 秒之间，能保持嘉宾谈话的从容与人性化。
- 重要交付务必选用标记流（Path B）：面对高要求的商业播客客户，始终推荐使用“原始音频 + 标记导出”的工作流。把机械重复的“寻找语气词与口水音”交由 AI 解决，最终下剪刀的决定权留给专业剪辑师，兼顾效率与极致品控。
参考资料
- Cleanvoice AI | Edit Audio & Video Podcast in 10 Mins, in Clicks | AI Podcast Editor
- All Features — AI Podcast & Audio Editing | Cleanvoice AI
- Pricing — Start Free, Plans from €10/month | Cleanvoice AI
- Integrations — Connect Your Audio Workflow | Cleanvoice AI
- AI Filler Word Remover: Cut the Ums & Uhs | Cleanvoice AI
- AI Silence Remover for Audio & Video | Cleanvoice AI
- Mouth Noise Remover: Clicks & Lip Smacks | Cleanvoice AI