剪輯聲音,就是在改數字
裁切、調音量、淡入淡出、混音、去停頓、變速變調,背後都是對一串樣本做運算。每個實驗都照同一條線走:剪輯操作 → 訊號改變 → 聽到的結果。先戴耳機、音量調小,先預測再按播放。頁面上的人聲是程式合成的示範聲音。
先看三支短動畫
每支 45 秒左右,可以全螢幕播放,沒有旁白,適合邊播邊講。看完再往下動手做。
裁切:取出一段樣本
裁切就是從樣本序列裡取一段。pydub 的切片單位是毫秒,audio[5000:15000] 是第 5 到 15 秒;audio[5:15] 只有 10 毫秒。
audio[5:15]:你以為是 10 秒,聽到了什麼?再把起點拖到一個字的正中間,播放時開頭有沒有「喀」一聲?整段錄音,橘色是切片範圍
切片放大:看頭尾是不是切在波形中間
增益:每個樣本乘同一個數
調音量就是乘法:新樣本 = 樣本 × 10dB/20。+6 dB 約等於乘 2,−6 dB 約等於乘 0.5。乘完超過 ±1 的部分存不下,會被削平。
紅線:±1(0 dBFS),超出的樣本被削平並標成紅色
淡入淡出:隨時間變化的增益
淡入是把樣本乘上一條從 0 慢慢升到 1 的曲線(包絡)。切在波形中間時,聲音瞬間從 0 跳到某個值,就會聽到「喀」;淡入幾十毫秒就能消掉。Crossfade 則是前一段淡出、後一段淡入,兩段重疊相加。
混音:逐點相加,小心削波
voice.overlay(bgm) 把兩段樣本逐點相加。兩段各自都沒有超過 0 dBFS,加起來卻可能超過。混音前先把各軌調小,留一點空間(headroom)。
白:人聲 橘:音樂 下方是相加結果,紅色是削波的位置
三種「正規化」不是同一件事
Peak 正規化看最大的一瞬間;平均 dBFS 調整看整段 RMS(停頓也算進去);LUFS 是依人耳加權、並排除太小聲片段的響度。同一段錄音,三種方法給的增益可能差很多。
LUFS 是簡化版:單聲道、BS.1770 的 K 加權與兩段門檻,數字可能和專業響度表差一點。
detect_nonsilent:哪裡在說話?
pydub 每隔一小段,計算接下來 min_silence_len 毫秒的 RMS;低於 silence_thresh 就算靜音。剩下的就是非靜音段。這裡的程式照 pydub 的演算法寫,步進 10 ms。
波形:綠色是非靜音段,灰色是被判定為靜音的範圍
每 10 ms 的音量(dBFS),橘線是門檻
compact_long_silence 的結果(同一個時間尺度,看它短了多少)
Podcast 自動剪輯器:用你的錄音試試
把講義 11.17 的完整流程搬到瀏覽器:壓縮長停頓 → 平均音量調到目標 → 淡入淡出 → 加片頭片尾。上傳一段 1–3 分鐘的說話錄音(WAV、MP3、M4A),檔案只在你的瀏覽器裡處理,不會上傳到任何地方。
目前使用示範錄音
處理前
處理後(同一個時間尺度)
背景音樂:多小聲才不搶話?
講義用 bgm - 18 先把音樂整體壓低,再疊上人聲。Ducking 更進一步:有人說話時把音樂再壓低,停頓時再升回來。
白:人聲 橘:音樂(已套增益) 綠線:音樂的增益曲線
濾波:只動某一段頻率
這段錄音混了 60 Hz 的電源嗡嗡聲和高頻嘶嘶聲。High-pass 讓高於截止頻率的聲音通過,用來去低頻;Low-pass 讓低於截止頻率的通過,用來去高頻。回想第十章的頻譜:濾波就是改頻譜的形狀。
頻譜(對數頻率軸):灰線是原始,橘線是濾波後,虛線是截止頻率
變速 vs 變調
直接加快播放,波形被壓短,每秒振動次數變多,時間和音高一起變。librosa.effects.time_stretch 和 pitch_shift 用 STFT 和相位聲碼器把兩件事拆開。這裡的相位聲碼器照 librosa 的作法寫(n_fft 1024、hop 256)。
原始頻譜圖(0–4000 Hz),橫軸是時間
處理後頻譜圖,時間尺度和上面相同:看長度、看橫線的高度
做完實驗,檢查一下
點選答案,會立刻告訴你對不對和原因。