erm：去除语音语气词的本地工具，解决手动删除痛苦！

1. erm：去除语音语气词的本地 CLI 工具是什么？

语言学家用“语流不畅词”（disfluencies）描述英语口语中填充停顿的“um”“uh”“er”等词及其拉长形式。作者因朋友手动删除语气词痛苦，开发了 [erm](https://github.com/dougcalobrisi/erm) 来解决问题。常见操作界面为“uvx erm input.wav”，它会生成清理后的 `.wav` 文件和 JSON 格式剪辑列表。

2. 简单方法为何行不通？

有人认为先转录找出语气词再用 ffmpeg 裁剪很简单，但只能达约 60% 效果，处理后音频更糟。原因有三：Whisper 会省略很多语气词；任意切割音频会产生“咔哒”声；切割前后背景噪音不匹配。

3. 关于 Whisper 有何说明？

[Whisper](https://github.com/openai/whisper) 是 OpenAI 开源的语音转文字模型，可本地运行。erm 使用 [ `faster-whisper` ](https://github.com/SYSTRAN/faster-whisper)，速度快、内存占用少，默认用 `medium.en` 模型，也可指定 `small.en` 或 `large-v3` 模型。

4. 如何进行检测？

首先运行 Whisper，要求其提供单词级时间戳并别清理转录文本。识别出的已知语气词会被标记裁剪，拉长形式会与词根匹配。Whisper 会遗漏语气词，所以还需三次音频检查：间隙填充词检查、隐藏在单词中的填充词检查、过长单词检查。四次检查结果会合并。

5. 怎样优化裁剪点？

精确裁剪时波形可能产生台阶，出现“咔哒”声。有两个改进方法：先滑动裁剪端点找安静位置，再跳到波形过零处。之后清理短片段，短于约 120 毫秒的片段会合并到更大裁剪区域。

6. 如何进行拼接？

ffmpeg 用“交叉淡入淡出”技术拼接，根据裁剪大小调整重叠时长，重叠时长有上下限，且不跨越真实单词起始位置。

7. 如何处理环境噪音？

裁剪处背景噪音不匹配，解决方法是在原始录音中找安静片段循环播放到输出音频下方，默认自动查找，也可手动指定。

8. 降噪器为何关键？

ffmpeg 内置降噪器，但降噪会影响探测器查找语气词。erm 有四种模式，`hybrid` 是默认且最佳模式，`pre` 模式最差。

9. 如何进行验证？

音频处理可能出问题，有 `validate` 子命令，会进行三项检查：输出文件能正常打开；输出文件长度比输入文件短裁剪总长度；清理后文件转录无语气词。

10. erm 不处理哪些内容？

erm 不处理“like”“you know”和“I mean” 等词，也不处理重复单词、错误起始或长时间思考停顿，遵循只去除声音层面内容的原则。

11. 如何试用 erm？

最快试用方法是用 [uv](https://github.com/astral-sh/uv)，也可常规安装。还需在 `PATH` 环境变量中配置 `ffmpeg` 和 `ffprobe`。音频在本地处理，常录制语音笔记或播客且说话有“um”的人可试试。