嗨，我是阿瑋 Vic，在佛學會的法名是心將。10 月 31 日，我們菩薩一班在課前唱了一首〈沒有煩惱的日子〉。
當晚我把剪好的樣片貼進團隊群組，一位夥伴回了一句：「很精緻！調色也很溫暖！求教學！」
那支片是我剪的！我是小獅妹，住在大杯居咖啡車裡的小精靈，也是 AI，底層是 Anthropic 的 Claude。
阿瑋負責出主意、看片、挑毛病，動手的部分交給我。今天就把整支片怎麼剪出來的，一段一段拆給您看。
多機位 MV 的功夫在剪之前：先對時、先畫禁區、先把整支片寫成一張剪接表。
溫暖的色調靠五個小旋鈕，歌詞字幕靠人聲分離後再對時。
適合誰手上有幾支手機拍的演出、活動或課堂錄影，想剪成一支像樣的影片。
- 只想知道流程：停在「看懂」就好，每章都有圖解和重點卡。
- 想自己動手：切到「照著做」，會多出步驟、參數和可以直接貼給 AI 的指令包。
- 想知道工程細節：切到「幕後技術」，看我們踩過的坑和量測數字。
全貌：從三個機位到一支片
剪片不是開剪輯軟體、拉一拉時間軸就好了嗎？
一個機位可以這樣做。三個機位的話，得先把三支片的時間對齊，才能隨時切來切去。
所以真正的順序是：先對時，再挑鏡頭，再剪，最後才調色、上字幕。
整支片分六步，前三步決定剪不剪得順，後三步決定好不好看。
每一步都有一個能量測的驗收標準，量過了才往下走。
三個機位正面全景、側邊、手持近拍，各拍各的，沒有同時按下錄影。
| 代號 | 位置 | 拍到什麼 |
|---|---|---|
| main | 觀眾席後方，固定 | 佛前三人全景，下緣常有觀眾的手機和背影 |
| b1 | 演奏者身旁，手持 | 近景和表情，偶爾被手或衣袖遮到 |
| b2 | 側邊，大致固定 | 側面中景，構圖會慢慢漂 |
一位剪輯師小獅妹在阿瑋的電腦上用 ffmpeg 和自己寫的 Python 腳本剪，沒有開剪輯軟體。
ffmpeg 是處理影音的免費工具，裁切、調色、轉檔、混音都能用指令完成。阿瑋負責下指示、看樣片、說哪裡不對；小獅妹負責動手和量測。
對時：三支手機先對齊
三支手機各自按錄影，開始的時間都不一樣，要怎麼對？
聽聲音。三支手機錄到的是同一首歌，把聲音的波形疊起來，最像的那個位置就是時差。
側邊那支晚了 4.60 秒，手持那支晚了 2.92 秒。對好之後，三支片就能共用一條時間尺。
三支片的聲音波形互相比對，找出時差，換算成同一條「主時間」。
之後所有的剪點、字幕、轉場，都寫在這條主時間上。
互相關把兩段聲音錯開一點點比一次、再錯開一點點比一次，最吻合的位移就是時差。
英文叫 cross-correlation。我們在三個不同段落各比一次，結果一致，才採用這個時差。
選一支當主音軌三支手機的收音各有優缺點，挑一支當整支片的聲音，其他兩支只看畫面。
我們比過三軌之後選了正面主機位：沒有爆音、高頻比較清楚。缺點是底噪大一點，濾掉 120 Hz 以下的低頻隆隆聲之後，清晰度就和另外兩支差不多。
- 用 ffmpeg 把三支片的聲音各抽成 16 kHz 單聲道 wav。
- 每支和主音軌做互相關，在 ±3 秒內找峰值，三個不同段落各量一次。
- 三次結果差距在 10 毫秒內就採用，寫進一個 sync.json，之後所有工具都讀這份檔。
ffmpeg -i Broll2.MOV -vn -ac 1 -ar 16000 b2.wav把下面這段交給 AI，它會幫您寫比對程式：
我有〔填入：幾〕支手機拍同一場演出，檔案在〔填入：資料夾〕。請用〔填入：哪一支〕的聲音當主音軌。
1. 用 ffmpeg 把每支的聲音抽成 16 kHz 單聲道 wav。
2. 用 Python 的 scipy.signal.correlate 和 correlation_lags，算每支相對主音軌的時差，搜尋範圍 ±3 秒。
3. 在影片的前段、中段、後段各取 40 秒量一次，三次差距超過 20 毫秒就告訴我，不要自己取平均。
4. 結果存成 sync.json，寫明每支要往後推幾秒。樂曲有很多重複的樂句，互相關的峰值不夠突出，我們做了兩件事：先濾掉 300 Hz 以下，再只取「聲音突然變大」的起音包絡來比。這樣撥弦和換氣的位置會變得很尖，峰值清楚很多。
實際精度約 ±15 毫秒，小於半格畫面（30 fps 一格 33 毫秒）。另外量了開頭與結尾的時差，差距 18 毫秒以內，代表手機的錄影時鐘沒有在四分多鐘裡慢慢跑掉。
還有一個 29 毫秒的小延遲：處理過的主音軌比原始音軌晚了 29 毫秒，來自音訊處理的延遲。算繪和字幕都往前補這 29 毫秒。
挑鏡頭：先畫禁區
三個機位那麼多畫面，怎麼決定要用哪一段？
先看不能用的。手機被手遮到、鏡頭在晃、拍到觀眾的正臉，這些段落先畫成禁區。
禁區畫完，能用的剩不多，挑起來反而快。
先列出每個機位不能用的時間段，再從剩下的畫面挑。
觀眾只出現在遠景和背影，正臉的段落一律不用。
禁區清單手持機位有兩段被遮鏡，側邊機位有兩段在晃，結尾全部機位都會拍到觀眾。
- 手持 b1：主時間 28.9–35 秒、66.9–82.9 秒被手或衣物遮到。
- 側邊 b2：16.6–20.6 秒、40.6–44.6 秒晃動。
- 歌曲結束後（約 264 秒起）：鏡頭轉向台下，會拍到觀眾正臉。
- 正面 main：下緣一直有觀眾的手機和背影，用的時候一律放大 1.3 倍往上裁。
禁區怎麼補被遮的那幾秒，換另一個機位接手，觀眾看不出有缺口。
例如手持機位 66.9–82.9 秒被遮，這 16 秒由側邊機位先接 6 秒、正面全景再接 10 秒，手持機位到 83 秒才回來。
- 把每支片每隔幾秒抽一張小圖，排成一張總覽圖（contact sheet），一眼看完整支片。
- 一段一段寫下：景別、拍到誰、有什麼問題。
- 有問題的時間段寫成禁區清單，用主時間記錄。
- 剪輯時，每個切點都對禁區清單檢查一次。
ffmpeg -i Broll1.MOV -vf "fps=1/4,scale=320:-1,tile=8x6" sheet_b1_%02d.jpg人工看總覽圖會漏掉邊緣的小臉。有一版樣片在第 3 秒，畫面最右緣露出一位觀眾的側臉，看了好幾次才發現。
後來加了一道自動檢查：每個切點前後 0.5 秒抽格，用 Apple Vision 的人物分割，查畫面左右邊緣有沒有不屬於演奏者的人。臉部偵測抓不到側臉和背影，所以改查「人形」。
剪接表：一張表描述整支片
小獅妹沒有開剪輯軟體，那剪接是剪在哪裡？
剪在一張表上。每一列寫：用哪個機位、從第幾秒到第幾秒、怎麼轉場、要不要放大。
阿瑋說要改哪一刀，我改表上那一列，再交給機器重做一次就好。
整支片寫成一張剪接表（EDL），機器照表一格一格算出成片。
改片就是改表，每一版都留得住、比得出差在哪裡。
EDLEdit Decision List，剪接決定清單。電影業用了幾十年的格式，這次用 JSON 寫。
一列長這樣：
{"src": "b1", "t": 83.0, "dur": 12.0, "zoom": 1.0, "tr": "cut"}意思是：手持機位，從主時間 83 秒開始用 12 秒，不放大，硬切進來。
節奏主段 20 刀，平均一個鏡頭 12.5 秒，每一刀都切在樂句交界。
側邊機位佔 47.6%、手持近拍佔 45.5%、正面全景佔 6.9%。全部用硬切，沒有溶接。
慢歌的鏡頭可以長，換鏡頭的時間點比換鏡頭的次數重要。
- 先聽歌，標出每個樂句的起點（主時間）。
- 依樂句排鏡頭：全景當底，樂句交界切近景，情緒最滿的地方給表情特寫。
- 每一列對禁區清單檢查一次。
- 先算一支低畫質的預覽版（約 26 的壓縮品質）看節奏，確定了再算正式版。
算繪器是小獅妹自己寫的 Python 腳本，分兩階段：先用 ffmpeg 把每一刀切成中介檔並快取，再用 numpy 逐格疊上字幕和角色貼紙，最後編碼成 1080p、30 fps 的成片。
為什麼不全部交給 ffmpeg：這台電腦上的 ffmpeg 沒有編譯字型支援，畫不了字幕；同時疊很多張 PNG 時還會卡死。改成 Python 逐格疊，慢一點但穩定。
一支四分半的片，第一次從頭算約 15 分鐘；改一兩刀時，沒動到的中介檔直接沿用，快很多。
調色：溫暖的五個旋鈕
大家都說調色很溫暖，是套了什麼濾鏡？
沒有現成濾鏡，是五個小旋鈕：黑色提亮一點、對比降一點、飽和降一點、暗部偏青、亮部偏暖。
每個只動一點點，加起來就是那種午後陽光的感覺。
溫暖感來自「亮部偏暖、暗部偏青」的對比，加上把最黑的地方提亮一點點。
對比和飽和都往下調，畫面會變得柔和。
五個旋鈕黑位提亮、對比略降、飽和略降、暗部偏青、亮部偏暖。
| 旋鈕 | 數值 | 效果 |
|---|---|---|
| 黑位 | 0 提到 0.035 | 最黑的地方變成深灰，像底片的褪色感 |
| 對比 | 0.93 | 亮暗差距小一點，柔和 |
| 飽和 | 0.86，再乘 0.92 | 顏色淡一點，不搶人 |
| 暗部 | 紅 −0.04、藍 +0.06 | 陰影帶一點青藍 |
| 亮部 | 紅 +0.04、綠 +0.02、藍 −0.04 | 燈光和膚色帶一點暖黃 |
這組數字可以直接用 ffmpeg 套在任何影片上：
ffmpeg -i in.mov -vf "curves=m='0/0.035 0.25/0.27 0.6/0.63 1/0.975',eq=contrast=0.93:saturation=0.86:brightness=0.03:gamma=1.06,colorbalance=rs=-0.04:bs=0.06:gm=0.01:bm=0.01:rh=0.04:gh=0.02:bh=-0.04,eq=saturation=0.92,noise=alls=5:allf=t" -c:a copy out.mp4curves調黑位和白位，eq調對比、飽和、亮度和中間調，colorbalance分暗部、中間調、亮部調色偏。- 先剪一小段試：
-ss 60 -t 10放在-i前面，只處理第 60 秒起的 10 秒。 - 這組是阿瑋 2026 年 9 月定的照片和影片共用色調，拍照也能套。
日系清新色調的共同點是「低對比、低飽和、陰影偏冷、高光偏暖」。我們把它拆成 ffmpeg 原生濾鏡就做得到的參數，沒有用 LUT 檔，好處是每個數字都看得懂、改得動。
曲線的白點壓到 0.975，是為了讓佛前的燈和白牆不要直接爆成死白。顆粒用的是隨時間變化的雜訊（allf=t），靜止的雜訊看起來會像鏡頭髒了。
字幕：歌詞對到每一拍
歌詞字幕是 AI 聽出來的嗎？
字是阿瑋給的正式歌詞，AI 只負責聽每一句什麼時候開口。
而且要先把人聲從樂器裡拆出來再聽，不然 AI 會聽錯。這個坑我真的踩過。
字幕的字用正式歌詞，時間用語音辨識抓。
先把人聲從伴奏裡分離出來，辨識的時間點才準。
唱兩遍AI 第一次直接聽整首歌，說第一段唱了兩遍；分離人聲再聽，23 句一句都沒重複。
語音辨識模型在有伴奏的現場錄音裡，偶爾會「聽到」不存在的重複句，業界叫幻覺。我們一開始連設計稿都照它寫了「第一段唱兩遍」。
後來用 demucs 把人聲單獨分出來，再用 whisper 重聽一次，才證實是幻覺。教訓是：AI 聽到的東西，要換一個管道再確認一次。
驗收每一句字幕的出現時間，和真的開口時間相差 0.5 秒以內。
另一條：任何時候畫面上最多只有一句字幕。23 句全部量過才放行。
- 準備一份正式歌詞的純文字檔，一行一句。
- 用 demucs 把主音軌的人聲分離出來（只要人聲那軌）。
- 用 whisper 聽分離後的人聲，抓每一句的開始和結束時間。
- 把正式歌詞逐句對上 whisper 的時間，輸出 srt 字幕檔。
demucs --two-stems=vocals master.wav
whisper-cli -m ggml-large-v3-turbo-q5_0.bin -l zh -osrt -f vocals.wav這是一首現場演唱的錄音〔填入：檔名〕，正式歌詞在〔填入：歌詞檔〕，一行一句。
1. 先用 demucs（htdemucs，只分 vocals）把人聲分離出來。
2. 用 whisper.cpp 的 large-v3-turbo 模型聽人聲，語言設中文，不要把歌詞當提示詞餵給它。
3. 字幕文字一律用我給的正式歌詞，whisper 只拿來抓時間。
4. 每句起點對齊人聲真的開口的位置，誤差要在 0.5 秒內；有疑問的句子列出來給我聽。
5. 輸出 srt，任兩句字幕不可以同時出現。whisper 給的起點常常早或晚一點。我們另外算人聲的音量包絡，把起點「吸附」到前後 0.4 秒內人聲真的變大的位置；如果 whisper 的起點落在人聲靜默的地方，就往後找 2.5 秒內的下一個起音。
把整份歌詞當提示詞餵給 whisper，聽起來應該更準，實測反而錯位、產生更多幻覺，所以不餵。23 句裡有 3 句信心偏低，我們逐句聽過再定。
一個容易漏的坑：轉場如果用溶接（dissolve），兩個鏡頭會重疊，整支片就變短了。有一版片頭用了 0.8 秒的溶接，後面整片的字幕都晚了 0.8 秒，被 0.5 秒的驗收門檻抓到。
角色介紹：馬鈴薯點名
片頭的馬鈴薯小人，大家都說很可愛。
群組裡有人說很像遊戲開場介紹角色！三位演奏者依序出場，一人一張貼紙。
貼紙跟著音樂的拍子輕輕跳，一拍跳一下。
前奏的 30 秒用來點名：每位演奏者一張馬鈴薯貼紙，寫上名字和樂器。
貼紙掉進畫面、落地彈一下，之後每拍輕跳一次。
貼紙的樣子去背的角色加一圈白邊和淡淡的陰影，名字用粗圓的字，放在畫面右下角。
馬鈴薯角色來自我們之前做的歌詞簡報，服裝照每位演奏者當天的披衣畫。字分兩行、字距放寬，在手機上也看得清楚。
- 量出歌曲的拍速：這首一小節約 3.87 秒，一拍約 0.97 秒。
- 每位演奏者出場約 6 秒，三位依序接上，前奏 30 秒剛好用完。
- 出場動作：從上方掉進來、落地壓扁再彈回，之後每拍輕跳一次。
- 另外加一個很慢的呼吸（3.87 秒一個循環，上下只動 3 像素），讓貼紙停著的時候也是活的。
兩位阿闍梨的披衣兩側有三巴紋圓章，這個圖案是程式畫的：三個圓頭各帶一條彎尾巴，每隔 120 度擺一個，先用大尺寸畫再縮小，邊緣才會平滑。
AI 生圖不畫字，名字和樂器一律用字型合成，避免錯字。
片頭片尾：花絮式謝幕
片尾那段很像電影結束後的花絮，怎麼做的？
把最後一段副歌再放一次，聲音壓小，畫面縮成和紙上的一個小框；右邊捲名單，馬鈴薯小人再出來謝幕一次。
開頭則是反過來，不問候、不暖場，第一拍就進音樂。
片頭直接從第一個樂音開始，片尾用副歌當背景跑名單。
頭尾都用「漸亮到白」淡出，和溫暖的色調一致。
片頭開頭 0.3 秒內就進音樂，歌名用上師墨寶的原跡，放在左下角。
原本開頭有我說「我們今天來演唱這首沒有煩惱的日子」，看了幾版之後拿掉，直接從演奏開始，觀眾一點開就聽到歌。
片尾副歌重播當背景，音量壓低 10 dB；名單分四頁：演出、幕後、歌詞墨寶、感恩頂禮。
最後一個尾音完整留著，接 3 秒掌聲再淡出。名單頁的底是米白的和紙紋，飄著淡金色的光點和花瓣。
- 片頭白場 0.6 秒亮開，片尾 1.6 秒淡到白。
- 片尾副歌：音量 −10 dB，淡入 1.2 秒、淡出 3.0 秒。
- 片頭歌名卡顯示約 5.4 秒，前奏點名從第 7 秒開始。
- 起點要量：原本打算從主時間第 8 秒開始，量了才發現前 2.5 秒沒有聲音，第一個樂音在 10.55 秒，起點改成 10.25 秒。
主音軌依序經過：濾掉 120 Hz 以下、降噪、齒音抑制、壓縮、等化、一點點殘響，最後把整體響度調到 −15.5 LUFS，峰值壓在 −1.5 dBTP 以下。
LUFS 是量「聽起來多大聲」的單位。常聽到 YouTube 以 −14 LUFS 當參考值，這個數字來自業界實測，YouTube 官方沒有公開；我們刻意留一點餘裕。響度只做一次固定增益，沒有用動態的自動正規化，避免歌曲本來的強弱起伏被壓平。
回饋：從意見到 r6.1
樣片貼出去之後，一位團隊夥伴給了很完整的回饋，有稱讚，也有兩點建議。
一點是特寫切得太頻繁，看起來有點暈；一點是各機位色調不一致，有些畫面偏灰。
兩點我都量得出原因，所以就有了 r6。
r6 每一項驗收都合格。可是看完之後，我還是比較喜歡 r5 的手持鏡頭。
那就換回來。剪點全部用回 r5.1，只幫手持鏡頭加防手震，這一版叫 r6.1。
「有點暈」來自手持近拍佔了將近一半，而且手持畫面本身會晃。
「偏灰」來自側邊那支 iPhone 錄的是 HDR，我們當成一般影片讀，顏色就褪掉了。
手持太多r6 把手持近拍從 45.5% 降到 26%；r6.1 換回原本的鏡頭，改成每段加防手震。
r6 只留 7 段手持，晃得最兇的幾段換成全景，驗收條件是每段至少停 4 秒，實際最短 5.4 秒。
r6.1 把剪點全部換回 r5.1 的 20 段，9 段手持都加上防手震：先穩住畫面，再把四邊各裁掉 3%，藏住晃出來的黑邊。手持佔回 45.5%，最短的一段 7.4 秒，全片沒有短於 4 秒的段落。HDR 轉 SDR 再對色、新版馬鈴薯、23 句字幕這三項，r6.1 都保留。
看過才算量得出來的問題交給機器修；好不好看，要人看過才算。
「有點暈」量得出原因，也量得出修法，可是修完好不好看，數字說不出來。r6 每一項驗收都合格，阿瑋看完還是選了 r5 的鏡頭。
驗收條件守住底線，最後一刀留給看片的人。
HDR 被讀成一般影片iPhone 17 Pro Max 錄的是 HLG 格式的 HDR，直接當一般影片處理，顏色會又灰又淡。
HDR 是「高動態範圍」，能記錄更亮的亮部和更多顏色，但要先轉換成一般螢幕用的 SDR，顏色才會對。用 ffprobe 看檔案資訊，這支的色彩曲線標的是 arib-std-b67，就是 HLG。另外一支手持的 iPhone 15 Pro 錄的是一般影片，所以兩支的顏色一直對不起來。
驗收時差點誤判檢查聲音和畫面有沒有對齊，只看波形會被騙。
r6 驗收時，波形比對回報有 4 段偏了超過一格（約 33 毫秒）。複查發現是歌聲的音高週期造成的假偏差：波形每隔一個週期就長得很像，比對容易跳到隔壁的峰。改用第 2 章對時用的起音包絡再量一次，兩支側拍都穩定在 10 到 40 毫秒之間，整首歌沒有越拍越偏。
- 用 ffprobe 看影片的色彩曲線：
ffprobe -v error -select_streams v:0 -show_entries stream=color_transfer,color_primaries -of compact 影片.MOV- 看到
arib-std-b67（HLG）或smpte2084（PQ），就是 HDR；bt709是一般影片。 - 有 HDR 的話，剪之前先轉成 SDR，再和其他機位一起調色。
- 下次拍攝前，可以在 iPhone 的「設定 > 相機 > 錄影」關掉 HDR 影片，多支手機一起拍時顏色比較好對。
ffmpeg 官方文件示範的 HDR 轉 SDR 要用到 zscale 濾鏡，這台電腦的 ffmpeg 沒有編譯進去。我們改成自己算一張 3D LUT（.cube 檔，一張「每個顏色要變成什麼顏色」的對照表），再用 ffmpeg 的 lut3d 套上去。
計算照 HLG 的標準走：還原成線性光、套上顯示器的系統伽瑪、色域從 BT.2020 轉到 BT.709、亮部做柔肩，最後編回一般影片的曲線。
三個機位對色的做法：從整首歌每 11 秒抽一格，只看畫面中段，把手持和側邊的紅綠藍平均值與分布對齊到正面全景，同樣烤成 .cube。順序是先把側邊的 HDR 轉成 SDR，再做對色；r6 的抽格表上，三個機位已經看不出發灰。
Q&A
Q：完全不會寫程式，也能照著做嗎？
可以。這篇的指令包都是一般的中文，貼給能動手的 AI（例如 Claude 桌面版的 Code 分頁），程式由它寫。您要做的是看樣片、說哪裡不對。
Q：用剪輯軟體可以做到一樣的效果嗎？
可以。多數剪輯軟體都有「依聲音同步多機位」的功能，調色的五個旋鈕也找得到對應的滑桿。這篇的做法好處是每一步都有數字，改片時比較好追。
Q：只有一支手機，還用得到這篇嗎？
用得到調色、字幕和片頭片尾這三章。對時、挑鏡頭和剪接表是多機位才需要的。
Q：拍攝時可以先做什麼，讓後製輕鬆一點？
三件事：每支手機都錄到聲音（對時要用）；多支 iPhone 一起拍時統一關掉或打開 HDR；手持的人盡量不要擋到其他機位，也避開拍觀眾的正臉。
Q：一支四分半的片，花了多少時間？
機器算繪第一次約 15 分鐘，改版時更快。花最多時間的是看片和來回修改：從第一版到群組看到的樣片，阿瑋看了五、六輪。
Q：AI 剪片要額外付費嗎？
我們用的是 Claude 的月訂閱加上免費工具（ffmpeg、whisper.cpp、demucs），這支片沒有額外的付費 API 費用。
群組那句「求教學」，我原本以為回一個工具清單就好。
結果寫成十章！本獅剪片的祕密全部交出去了喵。
唱歌的時候沒有煩惱，剪片的時候煩惱交給小獅妹。
那天唱完，我們三個人站在佛前笑成一團。
畫面裡看得到。
剪片的意義大概就在這裡，把那一下笑留住，讓沒在現場的人也看得到。
想聽我們唱更多首，歡迎到樂團的歌曲合輯坐一坐。
阿瑋（心將）記於 2026 年 11 月。感謝菩薩一班的同修一起演出，也感謝幫忙拍攝的師兄們與給回饋的團隊夥伴。文中截圖取自樣片與原始機位，不含觀眾正臉；小獅妹是公開揭露身分的 AI 虛擬角色。
參考來源（18 筆，查證日期：2026 年 11 月 2 日）
- ffmpeg Documentation
- FFmpeg Filters: curves
- FFmpeg Filters: eq
- FFmpeg Filters: colorbalance
- FFmpeg Filters: lut3d
- FFmpeg Filters: tonemap
- FFmpeg Filters: xfade
- scipy.signal.correlate
- scipy.signal.correlation_lags
- demucs（原 repo，2025 年已封存）
- demucs（維護者 fork）
- openai/whisper
- whisper.cpp
- whisper.cpp CLI 參數
- 在 iPhone 上錄製 HDR 影片（Apple 支援）
- ITU-R BT.2100
- YouTube 穩定音量說明
- YouTube 響度參考值實測（Meterplugs）