← Blog
Multimedia12 min czytania

Auto-Editor — automatyczne wycinanie ciszy z nagrań

Wycinanie martwych sekund z nagrania to praca mechaniczna, która zjada godziny przed właściwym montażem. Auto-Editor zastępuje ją jednym poleceniem — a przy bliższym spojrzeniu okazuje się mieć własny mały język opisu cięć.

Każdy, kto montował nagranie z webinaru, szkolenia albo rozmowy, zna ten etap. Zanim zacznie się właściwa praca — dobranie ujęć, tempo, plansze — trzeba przejść przez czterdzieści minut materiału i wyciąć martwe sekundy. Ciszę między zdaniami, „eee", moment szukania slajdu, przerwę na łyk wody.

Nazywa się to pierwszym przejściem i jest pracą całkowicie mechaniczną. Zjada godziny, nie wymaga żadnej decyzji twórczej i wszyscy jej nie znoszą.

Auto-Editor zastępuje ją jednym poleceniem — podajesz plik i tyle. Ale przy bliższym spojrzeniu okazało się narzędziem znacznie ciekawszym, niż zakładałem: ma własny mały język opisu tego, co ma wyciąć, i system etykiet, który pozwala zrobić w jednym przejściu więcej niż samo usunięcie ciszy.

Stan projektu

WyattBlue/auto-editor ma 5184 gwiazdki i 636 forków, a istnieje od kwietnia 2020. Napisany jest w Nimie — języku, którego w tej serii jeszcze nie widziałem, więc odnotowuję to jako ciekawostkę.

Liczba, która zwraca uwagę, to zero otwartych zgłoszeń. Nie „kilkanaście", nie „kilkadziesiąt" — zero, przy pięciu tysiącach gwiazdek. W całej tej serii widziałem to raz.

Tempo pracy jest przy tym wysokie: wydanie 31.6.0 z 6 września 2026, a poprzednie w odstępach jednego do dwóch tygodni. Przejrzałem commity od czerwca i to nie jest kosmetyka — doszły generatory dźwięku, przebudowa jednej z akcji, scalenie dwóch operacji w interfejsie programistycznym oraz poprawki dotyczące strumieni bez dostępnego dekodera. Ta ostatnia rzecz ma nawet konkretne, rozpoznawalne źródło: nagrania z dźwiękiem przestrzennym z iPhone'a, które wywracały przetwarzanie na jednej ze ścieżek.

Uwaga na kanał instalacji

Tu potrzebne jest ostrzeżenie praktyczne, bo sprawdziłem oba kanały i się rozjeżdżają.

Wydania w repozytorium są na wersji 31.6.0, każde z siedmioma plikami do pobrania na różne platformy. Natomiast pakiet w repozytorium pakietów Pythona zatrzymał się na wersji 29.3.1, wydanej w listopadzie 2025 — czyli dwie generacje główne wcześniej.

Wniosek: jeśli sięgniesz po nawyk „zainstaluję to menedżerem pakietów Pythona", dostaniesz wersję znacznie starszą niż bieżąca, i to bez żadnego ostrzeżenia. Sprawdź stronę instalacji projektu i weź plik z wydań albo z kanału, który projekt aktualnie wskazuje. Przy narzędziu wydawanym co tydzień różnica dwóch generacji to nie drobiazg.

Podstawa: margines

Zacznę od jedynej opcji, którą trzeba znać, żeby wynik był użyteczny. Samo wycięcie wszystkiego, co ciche, daje montaż brutalny — słowa zaczynają się natychmiast po poprzednich i brzmi to jak wiadomości czytane w pośpiechu.

Dlatego istnieje margines: kawałek ciszy zostawiany przed i po fragmencie aktywnym. Domyślnie to dwie dziesiąte sekundy z każdej strony, ale — i to jest ważny szczegół — da się go ustawić niesymetrycznie. Osobno przed, osobno po.

Ma to praktyczne znaczenie, którego nie widać, dopóki się nie spróbuje: przed zdaniem wystarcza bardzo mało, ale po zdaniu ucho oczekuje dłuższej pauzy. Ustawienie krótkiego marginesu z przodu i wyraźnie dłuższego z tyłu daje montaż, który brzmi naturalnie, a nie jak sklejka.

Mały język opisu cięć

Teraz część, która czyni to narzędzie czymś więcej niż usuwaczem ciszy.

To, co ma zostać wycięte, opisuje się metodami. Domyślna analizuje głośność dźwięku z progiem, ale jest też metoda analizująca ruch w obrazie — więc można wyciąć fragmenty, w których nic się nie dzieje, niezależnie od tego, czy ktoś mówi. Do prezentacji ekranu albo nagrania z kamery przemysłowej jest to metoda właściwsza niż głośność.

Trzy rzeczy w tym mechanizmie doceniam:

Jednostki decybelowe. Próg można podać nie tylko jako liczbę z zakresu, ale w decybelach — jednostce, którą montażysta ma w głowie i widzi na każdym wskaźniku. To drobna decyzja projektowa, która oszczędza tłumaczenia „ile to jest 0,04".

Składanie metod wyrażeniem. Metody da się łączyć w wyrażeniu w nawiasach, w stylu przypominającym Lispa — na przykład „wytnij tam, gdzie jest cicho i jednocześnie nic się nie rusza". To niepozorna składnia, ale daje pełną kontrolę bez uczenia się osobnego pliku konfiguracyjnego.

Osobne ustawienia dla ścieżek. Przy nagraniu wielościeżkowym — a takie powstaje przy rozmowie dwóch osób z osobnymi mikrofonami — każdej ścieżce można przypisać własny próg. Kto miksował rozmowę, w której jedna osoba mówi głośno, a druga szeptem, wie, dlaczego jeden wspólny próg tu nie wystarcza.

System etykiet, czyli więcej niż cięcie

To jest część, po której przestałem traktować ten program jako narzędzie do jednej rzeczy.

Każdy moment nagrania dostaje etykietę liczbową. Zero oznacza fragment nieaktywny — domyślnie wycinany. Jedynka oznacza aktywny — zachowywany. I tu przychodzi rozszerzenie: klas może być do dwustu pięćdziesięciu pięciu, każdą definiuje się osobnym warunkiem, a każdej przypisuje się osobną akcję. Gdy warunki się nakładają, wygrywa etykieta o wyższym numerze.

Praktyczny przykład podany w dokumentacji tłumaczy to najlepiej: w jednym przejściu można wyciąć ciszę, zachować mowę i dodatkowo przyspieszyć fragmenty najgłośniejsze. Trzy różne zachowania dla trzech różnych rodzajów materiału, opisane dwiema opcjami.

Otwiera to zastosowania, o których przy „wycinaniu ciszy" nikt nie myśli. Nagranie ze szkolenia, w którym fragmenty pokazu ekranu idą w zwolnionym tempie, a przerwy techniczne wylatują. Materiał z kamery, w którym ruch jest zachowany w normalnym tempie, a bezruch przyspieszony dwudziestokrotnie zamiast wycięty — bo widz ma widzieć, że nic się nie działo, ale nie ma na to czekać.

Nawyk, który warto przyjąć

Osobna sztuczka z dokumentacji, którą uważam za najważniejszą praktykę przy tym narzędziu.

Domyślne zachowania da się odwrócić: zamiast wyciąć ciszę i zostawić mowę, wyciąć mowę i zostawić ciszę. Wynikiem jest plik zawierający dokładnie to, co narzędzie chciało wyrzucić.

To jest droga do sprawdzenia progu przed zaufaniem mu. Przeglądasz kilkadziesiąt sekund materiału odrzuconego i widzisz, czy nie poleciało z niego początkowe słowo zdania albo cicha, ale istotna wypowiedź drugiej osoby. Przy nagraniu, którego oryginału nie da się powtórzyć — wywiadzie, wystąpieniu, rozmowie z klientem — jest to pięć minut, które warto poświęcić raz, żeby dobrać próg do swojego mikrofonu.

Nie zastępuje twojego programu do montażu

Rzecz, która przesądza o wdrożeniu w zespole i którą łatwo przeoczyć: Auto-Editor nie musi w ogóle produkować gotowego wideo. Może zamiast tego wyeksportować gotową linię czasu do zaimportowania w twoim programie do montażu.

Obsługiwane są: Adobe Premiere Pro, DaVinci Resolve, Final Cut Pro, a także dwa programy otwarte — ShotCut i Kdenlive. Jest też tryb eksportujący pojedyncze klipy jako osobne pliki.

Model pracy zmienia się przez to całkowicie. Nie oddajesz narzędziu decyzji o ostatecznym kształcie materiału ani nie tracisz możliwości poprawienia cięcia, które wypadło niezręcznie. Dostajesz pierwsze przejście wykonane maszynowo i otwierasz je tam, gdzie montujesz normalnie, z zachowanymi cięciami do dalszej obróbki. To jest właściwy podział pracy: mechaniczne robi program, twórcze zostaje przy człowieku.

Obecność ShotCuta i Kdenlive na tej liście warto odnotować osobno. Dla zespołu marketingu, który nie ma abonamentu na oprogramowanie montażowe, cała ta ścieżka pozostaje otwarta i darmowa od początku do końca.

Linia czasu jako plik, czyli droga do automatyzacji

Przeglądając źródła, natrafiłem na rzecz, która otwiera zupełnie inny sposób korzystania z tego narzędzia. Obok eksportu do programów montażowych rozpoznawany jest eksport do JSON-a oraz własny, wersjonowany format linii czasu — w kodzie widać trzy jego kolejne wersje.

Znaczenie jest praktyczne i wykracza poza montaż. Skoro decyzje o cięciach da się zapisać jako plik, to można je przetworzyć programistycznie przed wyrenderowaniem: odrzucić fragmenty krótsze niż sekunda, dopiąć własną regułę, połączyć wyniki z innego źródła danych. Historia zmian potwierdza, że taki układ jest zamierzony — jedna z ostatnich poprawek dotyczy właśnie sytuacji, w której linia czasu została zapisana gdzie indziej, a Auto-Editor ją tylko renderuje.

To czyni z tego programu dwie rzeczy naraz: narzędzie dla montażysty i element potoku przetwarzania. Przy bibliotece kilkuset nagrań szkoleniowych, które trzeba obrobić wsadowo według własnych reguł, ta druga rola jest ważniejsza. Do diagnostyki przed przetworzeniem partii przydaje się przy tym osobne polecenie zwracające informacje o pliku w JSON-ie — z informacją, dla których strumieni dana kompilacja programu ma w ogóle dekoder.

Transkrypcja i umiejętności dla agentów

Dwie rzeczy, na które trafiłem, przeglądając strukturę projektu, i które warto odnotować.

Pierwsza: w źródłach jest moduł transkrypcji, wraz z osobnym plikiem w Swifcie — co wskazuje na wykorzystanie systemowego mechanizmu rozpoznawania mowy na macOS. Nie jest to więc już wyłącznie narzędzie analizujące głośność; potrafi też zamienić mowę na tekst.

Druga: repozytorium dostarcza cztery umiejętności dla agentów AI — ogólną oraz osobne dla efektów, eksportu i transkrypcji. Instaluje się je jednym poleceniem podającym nazwę repozytorium. To trzeci projekt w ostatnich dniach, w którym opisuję ten wzorzec, ale pierwszy, w którym umiejętności są rozprowadzane poleceniem, a nie tylko leżą w katalogu do podchwycenia. Przy narzędziu o tak rozbudowanym zestawie opcji ma to sens: zamiast tłumaczyć asystentowi składnię wyrażeń i system etykiet, wskazujesz mu gotowy opis.

Przetwarzanie zostaje u ciebie

Jest jeszcze wersja przeglądarkowa i osobna aplikacja, o których projekt informuje uczciwie: korzystają z zasobów z tego repozytorium, ale ich własne, unikalne elementy są objęte osobną licencją własnościową.

Dla firmy istotniejszy jest jednak fakt odwrotny: narzędzie wiersza poleceń przetwarza materiał lokalnie, na twojej maszynie. Nagranie webinaru z wizerunkiem i głosem uczestników nie musi w ogóle trafić do cudzej usługi, żeby zostało przycięte. Przy materiale zawierającym dane osobowe — a nagranie z konferencji zawiera je z definicji — to różnica między zadaniem technicznym a rozdziałem w rejestrze czynności przetwarzania.

Pułapki w jednym miejscu

  • Pakiet w repozytorium Pythona jest dwie generacje z tyłu — zatrzymał się na 29.3.1 z listopada 2025, podczas gdy wydania są na 31.6.0. Sprawdź stronę instalacji projektu.
  • Bez marginesu montaż brzmi brutalnie. Ustaw go niesymetrycznie: mniej przed zdaniem, więcej po.
  • Zawsze sprawdź, co wylatuje, odwracając domyślne zachowania — zwłaszcza przy nagraniu, którego nie da się powtórzyć.
  • Jeden próg nie wystarcza przy wielu mikrofonach. Ustaw progi osobno dla ścieżek.
  • Do pokazu ekranu użyj metody analizującej ruch, nie głośność.
  • Eksport do programu montażowego jest zwykle lepszym wyborem niż gotowy plik wideo — zachowujesz możliwość poprawek.
  • Wersja przeglądarkowa i aplikacja mają elementy własnościowe. Narzędzie wiersza poleceń z repozytorium ich nie ma.
  • Pliki binarne z wydań mogą podlegać innym licencjom niż samo repozytorium — o tym niżej, bo to najważniejszy szczegół prawny w całym projekcie.

Podsumowanie

Auto-Editor jest narzędziem, które odbiera człowiekowi pracę, jakiej człowiek nie powinien wykonywać, i robi to z zaskakującą precyzją. Gdybym miał wskazać jedną rzecz, która mnie przekonała, byłby to system etykiet — bo pokazuje, że autor nie zatrzymał się na „wytnij ciszę", ale zbudował ogólniejszy model opisu tego, co zrobić z którym fragmentem nagrania.

  • Zero otwartych zgłoszeń przy pięciu tysiącach gwiazdek i wydaniach co tydzień lub dwa.
  • Dwie metody analizy — głośność i ruch w obrazie — składane wyrażeniem i konfigurowane osobno dla ścieżek.
  • Progi w decybelach, w jednostce znanej montażystom.
  • Do 255 klas z własnymi akcjami, więc w jednym przejściu da się ciąć, zachowywać i przyspieszać.
  • Podgląd materiału odrzuconego przez odwrócenie domyślnych zachowań.
  • Eksport do pięciu programów montażowych, w tym dwóch otwartych.
  • Przetwarzanie lokalne, bez wysyłania nagrań do cudzej usługi.

Licencja jest tu najbardziej nietypowa z wszystkich, o jakich w tej serii pisałem: Unlicense, czyli zrzeczenie się praw i przekazanie całości do domeny publicznej. Nie jest to licencja permisywna w rodzaju MIT, gdzie masz jeden obowiązek — zachowanie informacji o prawach autorskich. Tu nie ma żadnego obowiązku. Możesz wziąć ten kod, wbudować w produkt, sprzedać, nie wspominając skąd pochodzi, i nikt nie ma wobec ciebie żadnych roszczeń. Warto przy okazji wiedzieć, że część działów prawnych podchodzi do zrzeczeń tego typu ostrożniej niż do MIT, bo skuteczność zrzeczenia się praw autorskich bywa w niektórych systemach prawnych kwestionowana — jeśli twoja firma ma na to politykę, sprawdź ją.

Kluczowe zastrzeżenie stawia jednak sam projekt i uważam je za najważniejszy szczegół prawny w całej sprawie: do domeny publicznej należy zawartość repozytorium, natomiast pliki binarne z sekcji wydań mogą podlegać różnym licencjom otwartego oprogramowania. Powód jest oczywisty po zajrzeniu w historię zmian: gotowy program zawiera w sobie biblioteki do dekodowania i kodowania materiału wideo, a te mają własne licencje, niektóre z realnymi obowiązkami przy rozprowadzaniu. Dla ciebie jako użytkownika nie zmienia to nic. Ale jeśli planujesz dołączyć ten program do własnego produktu, to nie licencja repozytorium jest dokumentem, który masz przeczytać, a licencje tego, co wkompilowano w pobrany plik.