QuietTake

消掉一段

一个受访者的名字。一个被念出来的门牌号。一个谁没多想就说了的电话号码。 这一页讲的是怎么用哔声盖掉录音里的一段 —— 具体被换掉的是什么、什么一动不动， 以及为什么决定位置的人是你。

是你来标，我们不猜

做这件事的其他工具，卖点都是自动识别：把你的录音转写出来，找到那些词， 然后帮你消掉。我们没有这个功能，而不做的理由值得你在挑工具之前先看一眼。

自动识别需要词级的时间戳。要在不消掉整句的前提下消掉一个词，就得有东西 知道那个词从哪一刻开始、到哪一刻结束，精度要到百分之几秒。英语上转写模型给得出来。 英语之外常常给不出 —— 我们拿 whisper-base 在中文上实测过，它给的时间戳是 句级的：一句 3.8 秒的话回来是 0.78 到 4.62 一整段。在那样一段里你没法只消掉 一个名字，只能把整句都消掉。

这是关于我们测过的那一个模型的说法，不是关于所有模型。但它足以改变设计： 一个在某种语言上悄悄好用、在另一种语言上悄悄不好用的自动功能，比没有这个功能更糟 —— 因为你看着结果分辨不出自己落在哪一边。

所以由你来标。这更花时间，换来的是不漏、不误报，也没有哪种语言比另一种差 —— 这件事里压根没有"语言"这一步，因为没有转写那一步。

换进去的是什么

一个 1 kHz 的哔声 —— 电视上干这件事用的就是这个声音。不是静音。

选它是为了语义，不是音质。一段静音是含混的：听的人分不清那是被人有意盖掉的， 还是文件坏了、剪废了、话筒掉了。哔声只表达一件事，而且表达得毫不含糊。

它的电平定在大约你录音的一半。同样的测量电平下，纯音比语音刺耳得多， 所以不能直接取齐；具体要压多少只能靠耳朵判断，现在这个值就是这么定下来的。

两个接缝，以及它们为什么要紧

哔声和你的音频交接的地方，两边必须接得上，波形上不能有台阶。接不上就是一声"嗒" —— 而两头各一声"嗒"本身就是个信号：它把"这里被动过"的确切时刻告诉了每一个听的人， 那正好和你来这儿的目的相反。

所以哔声从零起、到零止，两侧各 4 毫秒的音频渐变着并进去。4 毫秒短到听不出是渐变， 又长到接缝处没有东西可听：接缝上的跳变比同一个文件里本来就有的最大样本跳变 低一到两个数量级。

渐变吃掉的是你要留下那一侧的一点点音频，绝不是被盖住那一段的。反过来把渐变 放进被盖的那段里，会让它开头几毫秒以低音量漏出去。几毫秒的一个音素听不出内容 —— 但这不是一个可以"差不多对"的地方。

长度不变

输出的样本数和输入分毫不差。这里没有"把那段剪掉"这个选项，而且是刻意没有： 音频一旦变短，那个时间点之后的每一帧画面都会和声音错位。

正因为长度不变，视频照样能用。画面逐字节直通不动，音频还是原来那个时长， 口型仍然落在原来的位置。画面和声音怎么处理，见处理视频里的音频。

整个文件，都在你的浏览器里

哔声是在文件流过的时候就地加上的 —— 读一块、清一块、写一块。所以这里没有一个 "片段最长多少"的限制要绕：一段四十分钟的访谈和一段两分钟的走同一条路， 而你的文件不会被送到任何地方。降噪本身是怎么工作的、以及它做不到什么， 见去除背景噪音。

这个形状有一个后果值得知道：标记发生在开跑之前，你听的是自己那个原始文件。 这里没有"听完成品再从里面挑一段"这一步 —— 到那时候，输出已经写完了。

这一页不承诺的事