在多人訪談類 Podcast 的後製流程中，音訊降噪與人聲清理向來是最耗時費力的環節。不論是透過 Riverside、SquadCast、Zoom 等遠端錄音平台，或是在專業錄音室使用多支麥克風分軌收音，主持人與受訪者的獨立音軌上往往充斥著微小的聽覺瑕疵：不由自主的咂嘴與口水音（mouth clicks）、沉重的喘氣聲、反覆出現的無意義贅字語氣詞（如「嗯」、「啊」、「那個」、「you know」），以及節奏尷尬的漫長沉默（dead air）。
若單純依賴剪輯師在數位音訊工作站（DAW）中逐一手動定位、切除並補底噪，一集一小時的雙人訪談通常需耗費三至四小時的繁瑣工時。更嚴峻的挑戰在於：若對個別音軌套用簡單的自動化剪輯，一旦在第一軌上切除了 1.2 秒的贅詞或空白，而第二軌未同步平移，多軌之間的時間軸便會立刻錯位，導致插話、附和與對話交錯徹底失真。
Cleanvoice 正是為了解決這項痛點而打造的專業 AI 音訊清理工具。它具備多軌時間軸同步能力（multitrack synchronization），既能一鍵批次剔除各聲道中的贅字、口水雜音與不自然停頓，又能嚴格維持各分軌之間的相對時間相位。針對不同的製作需求，剪輯師既可直接匯出清理後的分軌成品，亦能將 AI 剪輯標記（Markers）或剪輯決策時間線（EDL）匯入 Audacity、Adobe Audition、Adobe Premiere Pro、DaVinci Resolve 或 Reaper 進行非破壞性的精準微調。
多軌訪談剪輯的核心難題：傳統自動化工具為何頻頻失誤？
在處理多人對談錄音時，使用常見的雜音門檻（Noise Gate）或單軌自動裁切往往會衍生嚴重的後製災難：
- 多軌時間軸錯位與相對相位瓦解：對話具有高度互動性。當嘉賓短暫思考停頓時，主持人常會發出細微的「嗯」以示傾聽。若自動化演算法單方面剪去嘉賓軌的 3 秒停頓，嘉賓後續的語句就會整體提早 3 秒出現，直接與主持人的反應撞車，破壞整個訪談節奏。
- 「數位黑洞」與環境底噪斷層：真實錄音空間永遠存在本底環境音（Room Tone）。如果直接將贅詞或靜音片段完全消音歸零（-inf dB），聽眾會立刻察覺到背景音突兀中斷，產生刺耳、冰冷的機械生硬感。
- 麥克風串音（Bleed）誤判：即便採用動圈麥克風，同空間的多支話筒或高增益設定仍會收錄微弱的環境串音。若演算法判斷不夠細緻，極易將隔壁軌道傳來的微弱人聲誤判為口水音或噪音，造成說話者語音邊緣被過度削切。
Cleanvoice 採用針對不同語音瑕疵分別訓練的神經網路模型，在消除贅詞與壓縮過長停頓的同時，透過環境底噪智慧回填（Room Noise Insertion）與跨軌同步演算，確保修剪後的語音依然保有人性化的自然流暢感。
Cleanvoice 核心偵測模組解析
Cleanvoice 並非單一通用的濾波器，而是由多個可靈活配置的專屬 AI 模組協同運作：
| 功能模組 | 目標瑕疵類型 | 處理技術與聽感維護 |
|---|---|---|
| Filler Words Remover（贅字消除） | 「Um」、「uh」、「ah」、「you know」、「like」及多語口頭禪（支援 20 多種語言） | 精確鎖定語音邊界並剔除無意義發音；自動平滑融合前後環境底噪並加入微淡入淡出，防止語流中斷。 |
| Mouth Sound & Breath Remover（口水音與呼吸聲消除） | 唾液黏著聲、咂嘴、舌尖彈響與沉重換氣聲 | 捕捉高頻微瞬態雜音進行針對性平滑修復；完整保留說話者自然的高頻齒音與清輔音，避免聲音發悶失真。 |
| Silence / Dead Air Remover（靜音與空白修剪） | 思考過程中的尷尬冷場、卡關與過長空檔 | 智慧辨別自然的對話沉思與無意義的死寂；將過長停頓收合至設定的合理長度，而非粗暴抹除。 |
| Stutter Remover（結巴與斷詞修復） | 單音節重複、口吃打結、假起始 | 辨識重複音素並裁切多餘結巴抖動，保留正常詞彙的完整發音。 |
| Audio Enhancer & Studio Sound（錄音室音質強化） | 空間殘響、交流電嗡鳴、冷氣風扇底噪、音量動態不均 | 抑制環境雜音並自動均衡說話者音量，無需堆疊複雜效果鏈即可產出廣播級穩定音質。 |
剪輯實戰指南：多軌訪談全流程批次清理
專業 Podcast 製作團隊通常遵循以下四步驟標準流程，將 Cleanvoice 深度整合至日常後製工作流中。
第一步：音軌前置對齊與分軌匯出
在將音訊上傳至 Cleanvoice 之前，務必確認所有講者的獨立音軌具有完全一致的起點時間碼：
- 在錄音平台（如 Riverside、SquadCast、Zoom）或 DAW 中，將所有軌道頭部對齊至 00:00:00:00。
- 分別匯出每位參與者的無損 WAV 檔（或高位元率 MP3/M4A），並清楚命名（例如
Host_Track.wav、Guest1_Track.wav）。 - 注意事項：上傳前切勿先行套用激進的壓縮或雜音門檻，保留人聲最原始的動態瞬態，能讓 Cleanvoice AI 達到最高的辨識精準度。
第二步：上傳與多軌專案設定
- 登入 Cleanvoice 控制台，建立新專案。
- 同時將已對齊的多軌檔案拖曳至上傳區塊。Cleanvoice 支援本機檔案、Google Drive、Dropbox 串接或外部直接連結。
- 啟用多軌處理模式（Multitrack Mode）：系統會自動建立分軌關聯性，啟動多軌時間軸協同演算。
- 勾選清理模組：
- 勾選 Filler Words Remover 並選擇對應的說話語言。
- 勾選 Mouth Sounds Remover 與 Breath Remover。
- 設定 Silence / Dead Air 壓縮臨界值，指定保留自然停頓的秒數（建議設為 1.2 至 1.8 秒）。
- 啟用底噪回填選項，使切除後的時間間隙保持真實空間感。
第三步：輸出路徑抉擇：直接算圖音訊 vs. 匯出工程時間線
依據製作標準與時效緊迫程度，Cleanvoice 提供兩種截然不同的交付路徑：
路徑 A：極速出片——直接匯出清理後音訊分軌（Direct Render）
適用於每日新聞播客、高頻週更訪談、影音短片或企業內部節目：
- 運算完成後，直接下載已同步清理的獨立分軌（Cleaned Stems），或直接下載自動合併混音的單一音軌（Merged Track）。
- Cleanvoice 會自動維持各音軌的時間軸對齊，或藉由填補環境底噪維持絕對時間碼不變。
- 剪輯師將分軌拉回 DAW 後，僅需進行最終響度標準化（如播客通用的 -16 LUFS）並加入片頭片尾配樂即可迅速發布。
路徑 B：專業無損——匯出標記點與時間線工程（Markers / Timeline Export）
適用於敘事深度報導、商業委託製作或對聲學細節有極致要求的專業混音師：
- Markers 匯出（搭配清理後音訊使用）：Cleanvoice 可產生相容於 Audacity、Adobe Audition、Adobe Premiere Pro、DaVinci Resolve、Reaper 的標記檔或 .EDL 剪輯決策表。將清理後的音訊與標記檔一併載入 DAW，剪輯師可利用快捷鍵在標記間快速跳轉，逐一確認 AI 剪切處的自然度與淡入淡出曲線。
- Timestamps / Timeline 匯出（搭配未剪輯原始音訊使用）：此模式完全不改變原始音訊波形，Cleanvoice 會在原始時間線上標註 AI 建議切除的區間（包含贅詞、結巴與口水音）。剪輯師保留 100% 的手動決策權，可一鍵波紋刪除或微調切點。
製作品質提醒：Cleanvoice 的 Timestamps 標記主要針對贅字、結巴與口水音進行高精確度定位；若需處理過長的空白冷場（Dead Air），建議透過自動修剪模組或整體時間線工程一併套用。
第四步：數位音訊工作站中的複查與母帶處理
在 DAW 內重組多軌專案後：
- 重點檢驗多人交錯說話區間（Crosstalk）：檢查主持人與嘉賓同時笑場或對談交疊處，確認環境底噪過渡平穩，無忽大忽小的斷音現象。
- 微調切片邊界：若特定字尾被修剪得稍嫌倉促，可在 DAW 中手動將切片邊緣拉出 10 至 20 毫秒，並套用等功率淡入淡出（Equal Power Crossfade）。
- 總線混音效果鏈：掛載人聲總線等化器、去齒音器（De-Esser）與響度限制器，完成最後的母帶輸出。
兩種工作流程規格對比
| 評估項目 | 直接算圖音訊分軌（路徑 A） | 時間線 / 標記點匯出（路徑 B） |
|---|---|---|
| 輸出類型 | 已清理之獨立 WAV/MP3，或合併後音訊 | EDL 檔案、DAW 標記軌、Audacity 標籤軌 |
| 波形更動性 | 破壞性 AI 算圖（含底噪填補） | 非破壞性，原始錄音波形絲毫無損 |
| 微調控制度 | 仰賴平台全域靈敏度設定 | 在 DAW 中享有取樣等級的手動微調彈性 |
| 最適用場景 | 交付期緊迫、個人創作者、高產能節目 | 敘事大作、商業品牌節目、專業錄音室母帶 |
| 相容軟體 | 任何播放軟體或數位音訊工作站 | Audacity；Adobe Audition；Premiere Pro；DaVinci Resolve；Reaper；EDL 相容工具 |
| 時間成本 | 5 至 10 分鐘自動處理完成 | AI 運算 5 分鐘加上 15 至 30 分鐘人工複審 |
Cleanvoice 計費機制與多軌時長換算
Cleanvoice 採取依「處理音訊總時長」計價的模式。在多軌專案中需特別留意：計費是以所有上傳分軌的累計時長總和計算。舉例而言，一集 1 小時的雙人對談錄音，若同時上傳主持人與嘉賓 2 條音軌，系統實際扣抵的額度為 2 個音訊小時。
1. 月費訂閱方案（支援額度遞延）
- Starter 方案：每月 11 美元（約 10 歐元），含 10 小時音訊處理額度（約每小時 1.10 美元）。
- Standard 方案：每月 28 美元（約 25 歐元），含 30 小時音訊處理額度（約每小時 0.93 美元）。
- Pro 方案：每月 90 美元（約 80 歐元），含 100 小時音訊處理額度（約每小時 0.90 美元）。
- Custom / 企業自訂：針對每月需處理 200 小時以上的高用量客戶，提供客製化 API 端點與專屬客服支援。
- 額度遞延機制：當月未用完之訂閱額度可自動展延至下月，最高可累積至月方案額度的 3 倍。
2. 隨買即用點數包（Pay-As-You-Go，2 年有效）
適合產出時程不固定之獨立剪輯師或季節性節目：
- 5 小時包：11 美元（每小時 2.20 美元）。
- 10 小時包：20 美元（每小時 2.00 美元）。
- 30 小時包：45 美元（每小時 1.50 美元）。
- 有效期限：單次購買之點數額度在購買日起 2 年內均可使用。
3. 免費試用與資料保存週期
- 免費試用：新用戶註冊即可享有 30 分鐘免費處理額度，無需綁定信用卡。
- 檔案保留政策：上傳之原始音訊與處理完畢之檔案皆會在伺服器安全存放 7 天。7 天後系統將永久物理刪除，製作人需在處理完畢後盡速下載檔案。
資深剪輯師的實戰心法
- 錄音頭尾保留環境底噪樣本：錄音時切勿在剛開口說話的瞬間才開始收音。在正式對談前後各預留 3 至 5 秒的靜態環境音，能為 Cleanvoice 的底噪生成模組提供最真實的聲學基準。
- 切忌「過度清理」：自然的人類對談少不了呼吸起伏與沉思留白。切勿將靜音門檻壓得過低，亦不需清除每一次正常的呼吸聲。將停頓修剪門檻保持在 1.2 至 2.0 秒之間，能保留訪談該有的真誠與從容節奏。
- 商業案件優先採用標記流（Path B）：面對高規格的品牌委託案件，強烈建議採用「原始音訊 + 標記匯出」的非破壞性工法。讓 AI 承擔 90% 尋找贅詞與口水音的重複枯燥工作，最終剪接權仍由專業剪輯師把關，兼顧產能與頂級品管。
參考資料
- 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