用字幕自動剪掉影片空白段落(Whisper + ffmpeg)

在處理教學影片、訪談、Podcast 或逐字稿影片時，常見的需求是：只保留「有字幕的內容」，自動剪掉中間的停頓、空白或無聲段落。如果手動在剪輯軟體中一段段對齊字幕，不但耗時，也容易出錯。

這篇文章會帶你使用圖形化的設定介面，讓你不必記憶複雜的指令，即可透過滑鼠點擊完成剪掉影片空白段落。

介紹 ffmpeg 在聲音處理的幾個指令，還有對聲音進行音量正規化會踩到什麼坑，都不用去背指令，等需要用再問 AI 就可以了。

了解有意義聲音與聲響的差異。

使用情境

這支腳本特別適合以下場景：

教學影片只保留講話段落
訪談或會議影片去除空白等待時間
Podcast 錄影自動裁切發言片段
AI 轉錄後，直接用字幕反推影片剪輯

你只需要：

一個影片檔（mp4 / mkv / mov…）

環境與套件需求

在開始之前，請確認以下環境已準備好：

Python 3.8+
系統已安裝 ffmpeg , openai-whisper
Python 套件：

pip install ffmpeg-python pysrt openai-whisper

其中：

ffmpeg-python：FFmpeg 的 Python 封裝，用來描述影片處理流程
pysrt：專門解析 .srt 字幕檔的工具
whisper：聲音轉 .srt 字幕檔的工具

腳本整體流程說明

video_cutter.py 程式的邏輯可以拆成 6 個步驟：

讀取並檢查影片與字幕檔是否存在
解析 SRT，取得每一段字幕的開始與結束時間
對影片與音訊分別做 trim
重設時間軸（PTS），避免剪接錯位
將所有片段依序 concat
輸出成一支新的影片檔

來源檔案轉換為單聲道 MP3 (16kHz), 是透過 ffmpeg 指令

ffmpeg -i input.mp3 -ar 16000 -ac 1 -ab 16k output.mp3

生成字幕, 是透過 whisper 指令

whisper audio.mp3 --language=zh --device=cpu --model=turbo

安裝的教學, 參考: https://max-everyday.com/2025/12/whisper-python/

指令的使用方式

python video_cutter.py input.mp4

video_cutter.py 實作的細節

不知道也沒差，建議直接略過這個區塊

1️⃣ 合併過短字幕

設定最小片段長度（例如 0.4 秒）
若某段太短，嘗試與前一段合併
合併條件：時間間隔不超過指定閾值（例如 0.3 秒）

2️⃣ 前後 padding

對每段字幕加上前後緩衝（例如 ±0.15 秒）
自動 clamp 在 0 與影片總長度之間
padding 在「合併後」才套用，避免重疊錯亂

3️⃣ 靜音偵測（輔助條件）

使用 ffmpeg 的 silencedetect
先跑一次分析音訊，取得靜音區段
若字幕區間完全落在靜音內 → 捨棄
若只部分靜音 → 保留（字幕仍有意義）

使用「靜音偵測」就不需要輸入 srt 字幕檔了嗎?

這是一個非常關鍵、而且問得很精準的問題。結論先給你，再把背後的設計邏輯一次說清楚。

結論一句話：
只用「靜音偵測」可以剪影片，但「不能等價取代 SRT（Whisper）」；兩者的角色本質不同。

先把兩者在「影片自動切割」中的定位講清楚。

Whisper 產生的 SRT，本質上是在回答一個問題：
「這段時間，人類在說『有意義的話』嗎？」

而靜音偵測（silencedetect），回答的是另一個問題：
「這段時間，聲音能量是否低於某個門檻？」

這兩件事不是同一件事，也不互為子集。

一、只用靜音偵測，不用 SRT，會發生什麼事？

你可以完全不用 SRT，只靠靜音來切，例如：

偵測所有非靜音區間
每段非靜音就是一個剪輯段

這在「技術上」完全可行，而且程式還更簡單。

但實際效果會有幾個不可避免的問題：

會保留大量「沒有語意價值」的聲音
例如：
- 呼吸聲
- 笑一下
- 背景音樂
- 咳嗽
- 嘆氣、嗯、啊
無法判斷「語句邊界」
一句話中間短暫停頓 0.2 秒，
靜音偵測可能直接把它切成兩段。
對內容型影片不友善
像是：
- 教學影片
- 訪談
- Podcast
- YouTube talking head
你要的是「一句話一段」，
不是「有聲音就留」。

因此：
只靠靜音偵測，剪出來的是「聲音片段」，不是「語意片段」。

二、那是否代表一定需要 SRT（Whisper）？

這要看你的「剪輯目標」。

可以這樣判斷：

如果你的目標是這種 → 可以不需要 SRT

去掉完全沒聲音的空白
快速裁掉長時間靜默
監控錄音品質
Podcast 粗剪（人工後製）

如果你的目標是這種 → SRT 幾乎是必要的

依照「一句話」切段
產生短影音（Reels / Shorts）
自動章節
後續做摘要、關鍵句擷取、翻譯

你目前描述的用途是：

SRT 主要是透過 whisper 來產生，目的是利用 SRT 字幕自動切割影片

這個用途，本質上就是 語意導向切割，
所以 SRT 不是多餘的，而是核心訊號來源。

三、正確的工程思路：不是「二選一」，而是「主從關係」

在成熟的系統裡，設計通常是這樣：

Whisper / SRT：主判斷（語意）
靜音偵測：輔助過濾（聲學）

實務上最穩定的策略是：

用 SRT 決定「候選剪輯區間」
用靜音偵測做「品質檢查」
- 字幕區間內如果 90% 都是靜音 → 丟棄
- 字幕前後有長靜音 → 裁掉
最後再補 padding，讓語音自然進出

也就是你目前優化方向中，最合理的一條路。

四、什麼情況下「可以完全不要 SRT」？

只有在以下情境，我會建議你拿掉 SRT：

你已經不在乎「說了什麼」
你只想保留「有聲音的地方」
或你後面還會人工看一遍再修

例如：

監控錄影
課堂錄音粗剪
音檔清理工具

一旦你的目標是「自動產出可直接發布的內容」，
SRT（Whisper）就不是 optional，而是語意層的 ground truth。

ffmpeg 增加影片的音量

要讓音量達到最大但不破音，最保險的做法是先進行音量標準化。這通常需要跑兩次指令，或者用一個比較聰明的過濾器。

使用簡單的標準化

這個指令會自動搜尋音軌中的最高點，並將其提升到 0dB，也就是不失真的最大極限。這對於聲音太小的檔案非常有用。

ffmpeg -i input.mp4 -af "loudnorm=I=-16:TP=-1.5:LRA=11" -c:v copy output.mp4

兩步驟自動偵測

如果你想更精確地提升，可以先執行 volumedetect 找出最大增益。這個指令不會輸出新檔案，只是幫你計算數據。

ffmpeg -i input.mp4 -af volumedetect -f null /dev/null

在 Windows 中，我們把空輸出指向 NUL。

ffmpeg -i input.mp4 -af volumedetect -f null NUL

執行後在輸出的文字裡找 max_volume。如果顯示為 -6.0dB，代表你還有 6dB 的增加空間。接著再手動輸入增加的數值。

ffmpeg -i input.mp4 -af "volume=6dB" -c:v copy output.mp4

分析偵測結果

你的 max_volume 是 -1.2 dB。這代表這段影片中最大聲的地方，距離數位音訊的極限（0 dB）只剩下 1.2 dB 的空間。如果你的目標是單純增加音量且不想讓聲音破掉，你最多只能增加 1.2 dB。

執行調整指令

如果你確定要調到極限（也就是讓最大聲的地方剛好達到 0 dB），請在 Windows CMD 執行以下指令：

ffmpeg -i input.mp4 -af "volume=1.2dB" -c:v copy output.mp4

關於音量的建議

雖然最大值接近極限，但你的 mean_volume（平均音量）只有 -25.0 dB。這表示這段影片大部分時間聲音其實很小，只有少數幾個地方突然很大聲。

如果你覺得聽起來還是太小聲，單純調高 volume 可能會導致大聲的地方破音。這種情況建議改用前面提到的 loudnorm 指令，它會壓縮大聲的部分並提升小聲的部分，讓整體的聽感變大。

ffmpeg -i input.mp4 -af "loudnorm" -c:v copy output_norm.mp4

為什麼直接使用 loudnorm 過濾器處理過的檔案, 再使用偵測可增加的音量空間, max_volumn 反而下降?

這是一個很專業的觀察。直接使用 loudnorm 後 max_volume 反而下降，主要是因為這個過濾器的工作邏輯與單純調整增益（Gain）完全不同。

動態範圍壓縮的影響

loudnorm 是一種智慧型的音量標準化工具。它不只是把聲音推大，還會同時檢查聲音的動態範圍。為了讓整體聽感達到目標的響度（預設通常是 -16 LUFS），它會壓縮聲音的高峰。當它偵測到原始音軌中某些瞬間的峰值太高時，為了符合整體的響度標準，它會主動把這些高峰壓低，導致你看到的 max_volume 數值從 -1.2 dB 往下降。

防止數位失真的保護機制

loudnorm 內建了一個參數叫作 TP（True Peak），預設值通常是 -2.0 dB。這是一個安全閥，目的是確保處理後的聲音在任何播放設備上都不會產生數位破音。因為你原本的 max_volume 是 -1.2 dB，已經比這個安全標準還要大聲，所以 loudnorm 會強制把它壓回到 -2.0 dB 左右或更低，這就是為什麼偵測結果數值會變小的原因。

響度與峰值的差異

在音訊處理中，大聲不代表峰值高。max_volume 只代表影片中最響的那一個瞬間，而 loudnorm 關注的是整段影片聽起來的平均感覺。雖然峰值下降了，但因為它把原本微弱的聲音補償上來了，實際聽起來的感覺反而會比原本更清晰、更大聲。

你的測試結果驗證

這證明了 loudnorm 正在正確執行它的任務：它放棄了極少數的最高點空間，換取了整段音軌更一致、更飽滿的聽感。如果你希望處理後的 max_volume 更接近 0 dB，可以在指令中手動加上 TP 參數：

ffmpeg -i input.mp4 -af "loudnorm=TP=-0.1" -c:v copy output.mp4

這樣雖然峰值會上升，但通常不建議這麼做，因為留一點預留空間（Headroom）對音質比較好。

產生 Echo 回音音效

ffmpeg 使用 aecho 濾鏡來製作回音。你需要設定輸入增益、輸出增益、延遲時間以及衰減比例。

ffmpeg -i input.mp4 -af "aecho=0.8:0.8:1000:0.5" -c:v copy output.mp4

這行指令的參數意義如下：

0.8：原始聲音的音量。
0.8：回音的音量。
1000：延遲時間（毫秒），1000 代表 1 秒。
0.5：每次回音衰減的比例。

調整 EQ 均衡器

如果你想調整高低音，最直覺的是使用 equalizer 濾鏡。你可以針對特定的頻率進行增益或衰減。

例如，如果你想提升 1000Hz 附近的聲音（讓人聲更清晰），增加 6 分貝：

ffmpeg -i input.mp4 -af "equalizer=f=1000:width_type=h:w=200:g=6" -c:v copy output.mp4

f=1000：中心頻率。
width_type=h：頻寬單位。
w=200：影響的頻率範圍寬度。
g=6：增益分貝數。

快速調整高低音 (Bass/Treble)

如果你不想設定複雜的 EQ，可以直接用 bass 或 treble 濾鏡。這對高中生理解音訊調整最簡單。

提升重低音：

 ffmpeg -i input.mp4 -af "bass=g=10" -c:v copy output.mp4

提升高音：

ffmpeg -i input.mp4 -af "treble=g=8" -c:v copy output.mp4

多重濾鏡組合

你可以把音量調整、EQ 和回音全部串在一起使用，中間用逗號隔開即可。

ffmpeg -i input.mp4 -af "volume=1.2,bass=g=5,aecho=0.8:0.5:500:0.3" -c:v copy output.mp4

完整的人聲優化指令

這串指令包含了高通濾波、人聲強化和動態門檻去噪。

ffmpeg -i input.mp4 -af "highpass=f=80, lowpass=f=8000, afftdn=nr=10, equalizer=f=3000:width_type=h:w=200:g=3, loudnorm" -c:v copy output.mp4

濾鏡參數詳細解說

1. 高通與低通濾波 (highpass/lowpass)

highpass=f=80 會切斷 80Hz 以下的聲音。人聲通常不會低於這個頻率，但冷氣運轉或電流聲的低頻雜訊會被擋掉。lowpass=f=8000 則是過濾掉極高頻的刺耳雜音。

2. 智慧去噪 (afftdn)

afftdn 是 ffmpeg 內建強大的降噪工具。nr=10 代表降噪強度。如果你的背景嘶嘶聲很明顯，可以適度調高這個數值（建議在 10 到 20 之間），但調太高會讓人聲聽起來像在水底下說話。

3. 人聲頻段強化 (equalizer)

equalizer=f=3000:g=3 針對 3000Hz 左右進行微幅增益。這個頻段通常是人聲清晰度的關鍵，稍微拉高能讓講話聲更突出、更有磁性。

4. 終端響度標準化 (loudnorm)

最後放上 loudnorm 是為了確保優化後的聲音音量穩定，不會因為去噪過程讓音量忽大忽小。

進階去噪：使用動態閘門 (agate)

如果你的錄音環境有明顯的間歇性背景噪音（例如翻書聲或細微鍵盤聲），可以加入 agate 濾鏡。它會在沒人講話時自動把音量關到極小。

ffmpeg -i input.mp4 -af "agate=threshold=-30dB:ratio=2, highpass=f=80, afftdn, loudnorm" -c:v copy output.mp4

加入一點點空間感（Room Ambience）可以讓人聲聽起來更自然，不會像是在完全真空的密室裡講話。我們可以利用 aecho 來模擬微弱的牆面反射，讓 Podcast 更有專業錄音室的質感。

錄音室空間感指令

這組設定會加入極短的回音，聽覺上不會感覺到有明顯的「回聲」，而是覺得聲音變厚實了。

ffmpeg -i input.mp4 -af "highpass=f=80, afftdn=nr=12, aecho=0.8:0.3:40:0.2, loudnorm" -c:v copy output.mp4

參數調整重點

1. 空間感設定 (aecho)

aecho=0.8:0.3:40:0.2 這裡的核心在於 40 毫秒。這是一個非常短的時間，人耳聽不出延遲，只會覺得聲音多了一層包覆感。如果數字調到 500 以上，就會變成像在山洞說話的效果。

2. 去噪強度 (afftdn)

我把 nr 微調到了 12。這在去除 Podcast 背景底噪（如電腦風扇聲）非常有效。如果雜音還是很大，你可以嘗試把這個數值加到 15。

3. 低頻切除 (highpass)

這一步絕對不能省。Podcast 聽眾很多是用耳機收聽，切掉 80Hz 以下的雜訊，能大幅減少聽覺疲勞，讓人聲聽起來很乾淨。

檢查處理後的波形

處理完後，建議你再次使用 volumedetect 檢查。

ffmpeg -i output.mp4 -af volumedetect -f null NUL

你會發現 mean_volume（平均音量）應該會提升到 -16dB 附近，這正是目前國際 Podcast 平台的標準響度，聽眾在切換不同節目時，不需要一直手動調整手機音量。

套用 loudnorm, 開場的第一句話變的很小聲.

這通常是因為 loudnorm 預設是「單次掃描」（One-pass）模式。在這種模式下，ffmpeg 還沒分析完整段音訊，只能邊走邊猜。當開場的第一句話突然出現時，濾鏡為了保險起見會壓低音量，導致聽起來悶悶的。

解決開場音量過小的問題

要解決這個問題，最專業的做法是提供「預測數據」。你可以手動調整以下細部參數，或是改用兩次掃描模式。

1. 調整目標響度與峰值

你可以透過調整 I（目標響度）和 TP（真峰值）來讓整體聲音更響亮。

ffmpeg -i input.mp4 -af "loudnorm=I=-14:TP=-1.0:LRA=11" -c:v copy output.mp4

I=-14：目標響度。數值越小（如 -12）聲音越大。Podcast 建議在 -16 到 -14 之間。
TP=-1.0：允許的最高峰值。從預設的 -2.0 改成 -1.0 可以釋放更多音量空間。

2. 關閉線性限制 (measured)

如果你發現第一句話被壓得太厲害，可以嘗試強制設定 measured 參數。但更簡單的方法是調整 LRA（響度範圍）。

LRA=15：增加動態範圍。這會讓大聲與小聲的落差變大，有時候能減緩開場被強行壓低的感覺。

徹底解決方法：兩次掃描 (Two-pass)

這是大部份專業人士的做法。第一次先讓 ffmpeg 記住整段影片的音量特徵，第二次再根據這些數據進行精確調整。這樣濾鏡就不會在開場時「反應過度」。

在 Windows 上手動做兩次掃描比較麻煩，但有一個作弊的方法，就是調大內建的緩衝區。

增加預測緩衝

雖然 ffmpeg 的 loudnorm 主要靠演算法，但你可以嘗試在人聲處理鏈中，先放一個 compand（壓縮器）來預處理，或是直接改用 speechnorm。

如果你堅持用 loudnorm 且不想跑兩次指令，可以試試看這個組合，這對開場壓抑會有改善：

ffmpeg -i input.mp4 -af "loudnorm=I=-16:TP=-1.5:LRA=11:measured_I=-25.0:measured_TP=-1.2:measured_LRA=7.0:measured_thresh=-35.0" -c:v copy output.mp4

註：上面的 measured 數值是我根據你之前提供的偵測數據填入的。手動餵入這些偵測到的數據，能讓 loudnorm 在開場時就知道該怎麼處理。

另一個選擇：speechnorm

如果 loudnorm 讓 Podcast 開場聽起來還是很不自然，我強烈建議換成 speechnorm。它是專門為語音設計的，能非常平滑地調整每一句話的音量。

ffmpeg -i input.mp4 -af "speechnorm=e=4:p=0.9" -c:v copy output.mp4

你想試試看用 speechnorm 處理的效果嗎？它通常比 loudnorm 更適合解決「第一句話變小聲」的問題。

延伸優化方向

合併過短字幕（避免 0.1 秒碎片）
自動補前後緩衝（padding）
加入靜音偵測作為輔助條件
封裝成 CLI 工具或 Web API

總結

透過字幕作為「真實內容的時間索引」，可以讓影片剪輯變得高度自動化、可重現、可批次處理。這支腳本雖然精簡，但已涵蓋 FFmpeg 在實務上最容易踩雷的幾個重點（PTS、音畫同步、concat）。

只要你有字幕，就能讓影片自己「剪好給你」。

Facebook網友回應