AI 影片剪輯教學：各項功能的用途與使用時機

AI 剪輯軟體能做什麼，不能做什麼

AI 影片剪輯軟體其實是普通的剪輯軟體，再替特定工作掛上模型。這些模型負責聽語音、追蹤人臉和物件、分離人聲與雜音，或是生成新的像素。截至本文撰寫時，CapCut（剪映）、Premiere Pro、DaVinci Resolve 和 Descript 都有這類功能，只是名稱不同。

看待 AI 剪輯，分成兩類比較好懂。分析型功能是在素材中找東西：字詞、停頓、人臉、節拍、鏡頭切換。它們省時間，也很容易檢查。生成型功能則是產生新的畫面或聲音：放大後的細節、補出的中間格、延伸的背景、新的 B-roll。它們可能加入從沒拍過的東西，因此需要更仔細的檢查，內容逼真時還要揭露。

AI 不會決定你的影片要講什麼。它分不出一場長談話中哪 60 秒最能吸引你的觀眾，也不知道哪一段停頓是戲劇性的留白，哪一段只是冷場。這些判斷仍然要靠你。

AI 剪輯功能總覽

其中好幾項功能背後都有公開的研究可以閱讀：即時影格插補的 RIFE、真實世界影像超解析度的 Real-ESRGAN、音訊音源分離的 Hybrid Demucs，以及語音辨識的 Whisper。商業工具使用自家的模型，但優點和失敗模式相去不遠。

流程範例：從長錄影剪出 60 秒短影音

以下是一個實際範例。你有一支 40 分鐘的橫式雙人 Podcast 錄影，想剪出一支 60 秒的直式影片，發到 Shorts、TikTok 和 Reels。

1. 轉錄整支錄影。你就有了帶時間碼、可搜尋的文字。
2. 找出精華時刻。閱讀或搜尋逐字稿，找一段單獨看也成立的內容：清楚的一問一答、強烈的觀點、驚人的數字。標出兩三個候選。
3. 估算字數。口說英文大約每秒 2.5 到 3 個單字，所以 60 秒大約容納 150 到 180 個英文單字。請挑約 200 到 250 個單字的段落，因為之後還會刪掉一些。
4. 依逐字稿做粗剪。刪掉離題的句子，以及觀眾不需要的鋪陳。從最有意思的那句話開始，不要從打招呼開始。
5. 執行去除靜音和口頭禪，然後聽一遍。把有意義的停頓放回去，例如梗出現前的留白。
6. 清理音訊。以中等強度套用降噪或人聲分離，並戴耳機和原始音訊比較。
7. 重新構圖成 9:16。讓自動重新構圖跟著說話者移動，再檢查說話者之間的每一個剪接點。修掉裁切畫面拍到空椅子的地方。
8. 加上字幕。修正人名和數字，文字要放在安全區內。
9. 加上開頭鉤子。確保第一格就是說話者的臉，光線充足，而且正說到一半。依我們的測試，開頭第一秒太慢或太暗，觀眾還沒給影片機會就走了。
10. 輸出一個 1080×1920 的高品質母檔，再把同一個檔案發到各平台。

如果你的剪輯軟體沒有重新構圖功能，ffmpeg 可以做固定裁切。以下指令會剪出片段、列出停頓，並把雙人畫面的左半邊裁成 9:16：

# 1) Cut the chosen passage (from 12:04 to 13:15) out of the recording
ffmpeg -ss 00:12:04 -to 00:13:15 -i podcast.mp4 -c:v libx264 -crf 18 -c:a aac -b:a 192k segment.mp4

# 2) List pauses longer than 0.6 s that are quieter than -35 dB
ffmpeg -i segment.mp4 -af silencedetect=noise=-35dB:d=0.6 -f null - 2>&1 | grep silence_

# 3) Fixed 9:16 crop around the left speaker of a 1920x1080 frame
ffmpeg -i segment.mp4 -vf "crop=608:1080:180:0,scale=1080:1920:flags=lanczos,setsar=1" \
  -c:v libx264 -crf 18 -pix_fmt yuv420p -c:a copy vertical.mp4

第 3 步中，crop=608:1080:180:0 會取出寬 608、高 1080 的視窗，從距離左邊 180 像素的地方開始。608×1080 接近 9:16，後面的縮放步驟再讓它變成剛好 1080×1920。想移動視窗，就修改第三個數字。

正確的作業順序

順序很重要，因為有些步驟會破壞後續步驟需要的資訊，有些工作做得太早也是白費。

1. 先選定並剪好內容。之後每個步驟處理的素材都會變少。
2. 字幕之前先清理音訊，語音辨識才聽得到清楚的人聲。
3. 字幕之前先重新構圖，才能把文字放在最終的畫面上。
4. 輸出前做色彩匹配，等所有影片都已放上時間軸之後。
5. 畫質放大放到最後，只對完成的剪輯做一次。剪輯前就逐支放大會讓算圖時間成倍增加，而且不同設定可能讓轉場看起來不一致。
6. 只保留一個母檔。每個 App 都會把你上傳的檔案再壓縮一次，多一次重新編碼就多一份壓縮瑕疵。

生成型功能與揭露義務

分析型功能很少引發疑慮，生成型功能則可能會。YouTube 的揭露政策要求創作者標示用 AI 製作或修改的逼真內容，例如讓真人看起來說了沒說過的話、修改過的真實事件影像，或是從未發生過的逼真場景。同一頁也列出不需要揭露的編輯，包括調色、美顏濾鏡、製作字幕以及協助製作的工作。

實務上：字幕、去除靜音、降噪和色彩匹配不會改變鏡頭前發生的事。生成逼真街景的 B-roll、延伸畫面時加入人物，或是替換影片中的臉，就會。如果觀眾可能把生成的部分當成真實影像，就請標示。TikTok、抖音和其他平台有各自的 AI 內容標籤，中國和歐盟也有標識規定，請參考我們的 AI 內容標示指南。

限制與常見錯誤

• 到處都是跳接。把每個停頓都刪掉，說話者的頭會在畫面間跳動。可以用約 10% 到 15% 的放大、B-roll 鏡頭或換字幕來蓋掉一部分剪接點，也要留下一些自然的停頓。
• 遺漏上下文。從長談話剪出的短片段，可能改變說話者原本的意思。請讀一下片段前後的句子，不要把引言剪到變成相反的意思。
• 人聲處理過頭。強力降噪會讓人聲變薄或像機器人。請用能消除干擾的最低強度，並保留一點環境底噪（room tone）。
• 放大時憑空捏造細節。超解析度模型是在猜細節。臉部可能略有改變，小字可能變成假的字母。請在大螢幕上比較放大後的母檔和原片。
• 對快速動作做影格插補。新生成的中間格是猜出來的，手部、旋轉的物體和交錯的人物常會變形。插補只用在慢速、簡單的動作。
• 盲信重新構圖。自動重新構圖追蹤的是動作和人臉，不是語意。雙人對談時它可能停在錯的人身上，請檢查每一次換人說話。
• 一開始就用 AI 處理完整長度的原始錄影。先挑出段落再做大量處理，既快又少檢查。

短片段用免費的 AI 剪輯軟體通常就夠了。比較選項時，請看對你的用途真正重要的條件，不要看排行榜：輸出有沒有浮水印、輸出解析度、檔案是在你的裝置上處理還是上傳到雲端，以及字幕支援哪些語言。至於最終檔案的比例與尺寸，請看我們的短影音尺寸指南。