背景
快手抖音的时代，短短几十秒的视频，对吸引眼球的要求越来越高。
我们发现，很多的短视频剪辑出来，人物说话是没有停顿的。尤其是产品营销类短视频，说完上句话，接着说下句话，中间的停顿是减掉的。这样的视频信息密度极高，不会拖泥带水，才不会消耗观众的耐心。
但是一个视频如果说了100句话，难道中间的99个停顿片段，都需要用手剪掉吗？？？一个商家，如果有100个产品推广短视频，难道都需要用手来剪辑吗？？？
答案当然不是，今天介绍一种用python 程序来实现自动化剪辑的方案（当然语言只是工具，其他语言也是可以的，重要的是思路）
方案
首先我们将音频剥离出来，我们观察音频的波形
没说话的时候，音频的高度是非常低的，我们只需要找到连续的、高度低于某个值的一小段音频，找到这个音频对应的开始时间和结束时间，根据这两个时间再去裁剪视频就可以了。也就是剪掉下图红框的片段。
我用python 编写出来的软件界面如下
这里面两个参数分别是什么意思呢？
最小停顿音量
没说话的时候，视频一般也不是静音的，比如环境周围的噪音、风吹过的声音，反应在音频上都是有一个值的。我们认为当音频高度高于某个值才是真正说话的声音。不同环境下、不同收音设备录制的视频，这个值都会不一样。比如在大马路上录制的视频，噪音相对较高，这时候我可能认为音频小于3000的值都需要剪掉。而在录音棚内录制的视频，我认为音频小于1000的值都需要减掉，因为这时候2000代表的音频有可能真的是人说话的声音。
最小停顿时间
比如一个人说话停顿时间只有0.01秒的话，这个时候我们可以近似认为这段话是连续的。如果要强行剪掉这个微小的片段，最后反而会让视频效果怪怪的。所以可以设定一个阈值。我们认为停顿时间大于0.1秒的话，才需要剪辑。
为什么要让用户自己去调整这两个参数？
因为不同的设备，不同的环境下，录制的视频，用同样的参数剪辑出来，效果会很不一样，用户可以自己去调整几次这个参数，就能获得理想的剪辑效果，以后就不用调整参数啦。。。
当然，我设置的默认参数，是我反复尝试找到的理想参数，基本上剪辑出来的效果都相当不错，可以直接使用啦。
视频演示可以看
这里