Как убрать слова-паразиты и паузы из видео: что умеет автомат, а что нет

Автоматическая чистка речи устроена одинаково почти везде: сервис распознаёт речь, помечает в расшифровке «э-э» и «м-м», находит куски тишины длиннее порога и вырезает всё помеченное разом. На английском это работает, потому что английские паразиты звучат как мычание и в расшифровке видны отдельным токеном. На русском схема рассыпается в первом же шаге.

Русские паразиты это нормальные слова языка. «Ну», «вот», «короче», «как бы», «типа», «на самом деле», «собственно говоря» распознавание записывает обычными словами, ничем не отличая их от смысловых. Автомату нечего пометить, потому что с его точки зрения ты просто говоришь.

Что именно надо вычищать из русского дубля

• Мычание: «э-э», «м-м», «а-а». Единственная категория, которую автоматика находит сама.
• Слова-заполнители: «ну», «вот», «значит», «так сказать», «видите ли». В лингвистике их относят к дискурсивным словам и объясняют тем, что говорящему нужно время на подбор формулировки.
• Модные вставки: «как бы», «типа», «на самом деле», «короче», «пожалуй». Они раздражают зрителя сильнее мычания, потому что слышны как речевая манера, а не как запинка.
• Повторы: «я, я хотел сказать», «это, это важно».
• Фальстарты: начал фразу, бросил, начал заново. На монтаже это самый ценный улов, одна вырезанная попытка экономит секунды три.
• Затяжные паузы между предложениями, где ты думаешь, что сказать дальше.

Три разных вещи, которые называют одним словом «паузы»

Где автомат ломает речь

1. Съедает вдох. Порог тишины выставлен на 150-200 мс, вдох длится дольше, автомат режет его как паузу. Фразы начинают слипаться, и через сорок секунд зритель устаёт, не понимая почему.
2. Режет по границе слова, а не по нулю сигнала. На стыке появляется щелчок. Особенно слышно на «т», «к» и «п» в начале следующего слова.
3. Путает паразит и смысл. «Вот так это работает» и «ну вот, смотри» это разные «вот». Список на автозамену вырезает оба.
4. Оставляет половину фальстарта. Ты сказал «я хоте... я хочу показать», машина убрала паузу между попытками и склеила «я хоте я хочу».
5. Ломает ритм перечисления. Паузы между пунктами списка это и есть разметка списка. Убрал их - получил невнятную скороговорку.
6. Дербанит интонацию вопроса. Пауза перед ответом на собственный вопрос это приём, а не брак. Автомат разницы не знает.
7. Рассинхронизирует субтитры, если ты режешь видео после того, как субтитры уже сгенерированы. Порядок действий всегда: чистка, потом субтитры.

Настройки, при которых дыхание остаётся живым

• Минимальная длина тишины: от 400 мс. В исследованиях дыхания при извлечении вдохов отбрасывают паузы короче 300 мс, потому что сам вдох обычно длиннее. Порог ниже трёхсот начинает срезать дыхание вместе с тишиной.
• Запас по краям реза: 80-120 мс с каждой стороны. Это наблюдение, а не норма: меньше сотни миллисекунд начинают слышаться щелчки на согласных.
• Максимальная оставляемая пауза: 250-300 мс. Длинные паузы не удаляем в ноль, а укорачиваем до этой величины, иначе речь становится пулемётной.
• Вдох перед важной фразой не трогаем вообще. В работах по синтезу речи дыхание называют одним из факторов воспринимаемой естественности: модель, обученная с размеченными вдохами, получила оценку естественности 3,55 против 3,34 без них при 3,92 у живой записи.
• Порог по уровню: -40 дБ и ниже. Если поставить -30, под нож пойдут тихие концы фраз.
• Сначала шумоподавление, потом поиск тишины. На грязной записи детектор тишины не срабатывает вообще, про это есть отдельный разбор в статье как убрать шум из видео.

Ручной способ: порядок действий на один дубль

1. Получи расшифровку с таймкодами. Бесплатно и локально это Whisper: модель выложена в открытый доступ, ставится на свой компьютер, расставляет временные метки и выгружает SRT.
2. Прогони по тексту поиск по своему списку: «ну», «вот», «короче», «как бы», «типа», «на самом деле», «слушай», «значит». У каждого автора список свой, он повторяется из ролика в ролик.
3. Отметь только те вхождения, которые стоят в начале фразы. «Вот» в середине предложения почти всегда смысловое.
4. Вырежи сначала фальстарты, они длиннее всего и дают самую большую экономию времени.
5. Потом мычание и паразиты, по одному, с запасом по краям.
6. В последнюю очередь укороти паузы, оставляя 250-300 мс.
7. Прослушай целиком на скорости 1х без видео. Ухо ловит кривую склейку быстрее, чем глаз.
8. Только теперь генерируй субтитры. Иначе всё поедет.
9. Сохрани свой список паразитов в заметку. Со второго ролика чистка ускоряется вдвое.

Сколько это стоит по времени

При темпе речи около 150 слов в минуту и частоте сбоев из исследования на минуту говорения приходится примерно девять-десять мест, требующих решения. Плюс паузы. По опыту минута готового вертикального ролика это 15-25 минут ручной чистки в таймлайне у человека, который делает это не впервые. Умножь на количество роликов в неделю и станет понятно, почему эту операцию первой отдают на автоматизацию. Про остальные проходы монтажа говорящей головы есть отдельный разбор: монтаж говорящей головы.

Второй путь сократить время это меньше запинаться на записи. Читка с суфлёра убирает фальстарты почти целиком, потому что не надо вспоминать следующую мысль: разбор есть в статье как читать с телесуфлёра, а про волнение перед камерой в статье как не бояться камеры.

Где тут Monty

Monty не даёт список правок, он отдаёт готовый ролик. Ты загружаешь MP4 или MOV с телефона либо пишешь сценарий и читаешь его с бесплатного телесуфлёра. Дальше Monty режет паузы и фальстарты, ставит субтитры по речи внутри безопасной зоны, кладёт музыку под голос, подбирает b-roll по смыслу, выравнивает громкость, добавляет брендинг и кадрирует вертикаль с учётом лица. Перед рендером показывает редактируемый превью, так что решение по спорной склейке остаётся за тобой.

Дальше публикация в YouTube Shorts, Instagram Reels, TikTok и Telegram с шагом согласования и своими заголовком и описанием под каждую площадку. Сейчас Monty в закрытой бете, доступ к публикации открывается по аккаунтам. Тот же вычищенный мастер можно скачать и залить руками куда угодно, включая Дзен и Rutube. Чего Monty не делает: не генерирует ИИ-аватаров и сцен по тексту и не собирает ролики из стоков по промту.