把录音里的「嗯」「啊」这类语气词删掉，看起来很简单——用语音识别模型转写，找到这些词，裁掉就行。但真做起来，裁出来的音频反而比原来听着更别扭。
这套叫 erm 的开源工具，背后有四道检测关卡和三个声音拼接的细节处理，才让结果听起来像正常说话。
检测：语音模型会漏报
主流方案用的是 OpenAI 的 Whisper 模型，它能给出每个词的时间戳，开发者通常的做法就是找到「um」「uh」然后用 ffmpeg 裁掉。
问题在于，Whisper 训练用的文本大多干净通顺，它会「好心」把语气词从转写里删掉——根本没有 token 可匹配。还有一种情况是语气词藏在单词里，比如「in, uhhhhh」被识别成一个单词「in」，这也需要从音频波形本身去判断。
erm 用了四路检测并行跑：一路是 Whisper 转写层，专门挑出显式的语气词；另外三路从音频波形下手：找转写中「沉默间隙」里实际有声音的部分、拆解被粘连的长单词、以及检测某个词的发音时长是否远超合理范围（如果是元音拖长，很可能是在「嗯」）。
拼接：如何不发出咔嗒声
在检测到的位置直接裁音频，十有八九会听到咔嗒声——因为波形在任意时刻几乎都不等于零，两段波拼在一起会形成一个陡坡。
解决方案分两步。第一步允许裁点小幅滑动（最多 60 毫秒），找一个附近的相对安静的点。第二步从这个安静点再对齐到最近的零点——波形穿过零的那一瞬间。这样两段波形缝合起来是平滑的，没有突变。
实际拼接用的是 ffmpeg 的交叉淡入淡出，而不是简单拼接两段音频。关键在于淡入淡出的时长不能固定：短的语气词用短淡入淡出，长词用长的，但最长不超过 120 毫秒，且绝对不能跨进真实单词的区域。
底噪：房间有自己的声音
即便以上都处理好了，底噪也可能穿帮——每个房间的「安静」声音都不完全一样，两段近似的静音拼在一起，耳朵还是能听出跳变。
erm 的做法是：从录音里取一段纯净的安静片段作为「房间音」，把它填充到所有被裁掉的区间。这样背景声从头到尾是连续的，拼接处就不再露馅。
编注：信源为作者博客，完整描述了工具设计与调试过程，适合作为工程实践案例参考。