Descript - 像改文档一样剪视频,删字就删画面

录一段十分钟的口播，剪掉“嗯、啊、这个”就要花半小时：时间轴上逐句听、逐帧找，改错一句话还得重新录音对口型。很多人不是不会剪，而是一想到这个过程，就把视频一直拖着没发。

先说结论：口播和播客的剪辑，完全可以按改文档的方式做。Descript 会把你的音视频转成文字稿，你删掉文字里的一句话，画面和声音就跟着剪掉；补一句话，也不用重新架机器录一遍。下面这篇只做一件事：用它把一段口播从“能听”剪到“能发”。

Descript 主要能做这 4 件事：

1. 把音视频自动转成文字稿，按文字删改，画面和声音同步变化。
2. 一键去掉填充词，把“嗯、啊、你知道吗”这类口头禅清掉。
3. 用 Studio Sound 之类的工具把声音修干净，再加字幕导出。
4. 用你自己的声音补录一句话，修错别字不用重新录整段。

下面的操作路径按官方公开资料整理，本文未做账号实测，费用和额度以官网为准；转录结果一定要自己校对一遍，它听错的地方不会主动告诉你。

旧办法为什么总卡住

• 在时间轴上找废话
  ：一句废话只有两三秒，在波形图里找它，比听完整段还累，剪十处就没耐心了。
• 改一句话就重录
  ：口播里说错一个数字、一个名字，往往要整段重录，语气还接不上。
• 字幕另外再做
  ：剪完还要把文字稿导出来另做字幕，时间点对不上，又得返工一轮。

Descript 的思路是把文字稿当成时间轴：你看得懂文字，就剪得了视频。改文字是主操作，时间轴只是跟着动的结果。

第 1 步：导入或录制，先拿到一份文字稿

把录好的视频或音频拖进 Descript，或者直接在里面录制，等待它生成文字稿。生成后先别急着剪，把文字稿通读一遍，重点看人名、地名、数字和专业词，转录在这些地方最容易出错，错了就手动改过来，改文字不会动原音轨，只是修正稿子。

为什么先校对文字稿：后面所有剪辑都跟着文字稿走，稿子错一个词，剪出来的成品就错一句话。先花几分钟把稿子改对，等于给整段视频定了一次准，后面删改才不会越剪越偏。校对时顺手把段落标题标出来，比如“开场、演示、总结”，后面找段落、调顺序、截片段都会快很多；标题只是给你自己看的导航，不会出现在成片里。

第 2 步：删文字，把废话和跑题段落清掉

按住鼠标选中文字稿里不要的句子，直接删除，对应画面和声音就一起没了。先删大段跑题的，再处理小填充词：用去填充词功能扫一遍，把“嗯、啊”之类的清掉，删完听一遍，确认句子接得上、语气不断裂。删的时候留一点气口，别把句子剪得像机关枪。

为什么先删大段再清小词：大段决定视频结构，小词只决定顺滑程度。先把结构剪对，视频才有主线；再清小词，听感才干净。顺序反过来，很容易在细节上磨半天，最后发现整段结构还是散的。删大段时注意保留承上启下的半句话，段落之间完全断开会让观众觉得跳；留一句“所以接下来看具体操作”之类的过渡，节奏会顺很多。

第 3 步：错了就补字，声音不够干净就修一下

某句话说错了，不用重录整段：在文字稿里直接改词或补一句，用你自己的声音合成功能补上，听一遍接得自然再留。声音有底噪或忽大忽小，用声音美化功能处理一遍，别一上来就加音乐盖过去，音乐盖得住噪音，也盖得住人声的清晰度。

为什么补字要听接不接得上：合成的声音再像，也可能在语气和停顿上露馅，尤其是一句话插在两句真人原声中间。听一遍接缝，觉得别扭就换个说法或缩短补的句子，别硬留一个一听就是补的句子。

第 4 步：加字幕，导出前按手机屏验一遍

生成字幕后逐条扫一遍，断句按说话的停顿来，别让一行字幕塞进两句话。导出前先看一遍成片，重点是开头三秒有没有钩子、字幕有没有挡住关键画面、手机竖屏下字还清不清楚。确认没问题再按发布的尺寸导出，横屏和竖屏要分开出，别拿一个尺寸硬套所有平台。

为什么导出前要在手机上验：大多数观众是在手机上看的，电脑上看着合适的字号和位置，到了手机上可能就挡脸或看不清。成片只在电脑上验一遍就发，等于把最后一道质检交给了观众。验的时候把声音也开到正常音量听一遍，字幕对了、声音忽大忽小，观众还是会划走；画面和声音要同时过关，才算真正能发。

最容易翻车的 3 个地方，提前避开

① 不校对就直接剪：

转录错的人名和数字会跟着成片走，剪得越快错得越彻底。

② 填充词一次清光：

全清掉会显得语气生硬，留少量自然停顿，听感反而更像人话。

③ 拿别人的声音补录：

声音合成功能只能用于你自己的声音，替别人“说话”既不合规也容易翻车。

三种办法，怎么选

传统时间轴剪辑：适合：画面节奏、转场要求高的成片。代价：口播剪废话慢，改一句话成本高。

只做字幕工具：适合：只需要字幕、不动画面的人。代价：剪不掉废话，改错还得重录。

Descript（本文）：适合：口播、播客、教程类以说话为主的视频。代价：画面特效弱，免费额度用得快，转录要校对。

值不值得：我的结论

适合：经常做口播、播客、课程讲解的人，文字剪辑能把剪辑时间压下来一大截。不适合：以画面、音乐和转场为卖点的短片，或者一个月只剪一两条、且废话很少的人，传统工具目前够用。一句话结论：视频主要靠说话撑起来的时候，别再对着波形图找废话，改文字稿就是在剪视频。

出问题，先查这三处

1. 删了文字，画面却没跟着变：先确认删的是文字稿里的对应段落，而不是只改了字幕层，字幕和正片是两回事。
2. 合成补句听着别扭：缩短补的句子，或换成更口语的说法，再听接缝处停顿对不对。
3. 导出后字幕错位：回文字稿检查断句和时间点，重点看长句有没有被切成两行、标点有没有被吞掉。

你最近一条口播，剪废话花了多长时间？如果改成删文字稿的方式，你觉得哪一步最难适应？留言说说。

官方资料

Descript 文字转语音编辑

https://www.descript.com/blog/article/text-to-speech-edit-audio

Descript 与 Google Vids 对比

https://www.descript.com/compare/descript-vs-google-vids