Descript：像改文档一样剪视频的AI音视频编辑器

Descript是一款以文稿为核心的AI音视频编辑器，删改文字即同步剪掉声音与画面，集成Studio Sound降噪、Overdub声音克隆与AI绿幕，适合播客、口播与课程团队把后期压缩到一个人。

一、该工具是什么

1.1 一句话定义

Descript 是一款以文字稿为核心的音视频编辑器，官网是 descript.com，开发方为总部位于美国旧金山的 Descript, Inc.。它先把录音或录像转成一份带时间码的文稿，你在文稿里删掉一句话，对应的声音与画面就一起消失；把一段话拖到前面，视频顺序也跟着变。官方把这种交互概括为“像编辑文档一样编辑音视频”。

它和传统剪辑软件的根本差别在操作对象。Premiere、Final Cut 让你面对轨道与波形，Descript 让你面对文字。对以说话为主的内容，文字比波形更接近创作者真正想改的东西。它也保留时间线，需要精细调整时可以切过去，但默认界面是一份能播放的稿子。

1.2 它解决了谁的什么问题

第一类是播客与访谈主理人。一期 45 分钟的节目，剪掉口误、重复、冷场，传统流程要对着波形反复听，两三个小时是常态。文稿式编辑把“听”变成“读”：扫一遍文字就能定位要删的段落，语气词一键清理，章节按标题自动生成。对周更节目，这直接决定了能不能一个人撑下来。

第二类是口播与知识视频创作者。对着镜头讲十分钟，中途说错一个数字就得重录整段，这是最耗人的环节。声音克隆可以只补那一句，画面不动；眼神校正能把读提词器的视线拉回镜头；绿幕不用布景就能换背景。它解决的是“重录成本”，不是“拍摄创意”。

第三类是课程与企业内训团队。课程往往按章节录制，需要统一的字幕、统一的音量、可检索的文字稿，还要把长课拆成短片段做宣发。文本编辑加自动章节，让“找某一句在哪”从拖进度条变成搜索关键词。

第四类是市场与内容运营。一场 webinar、一次用户访谈，既要出完整回放，又要出短片、要文字摘要、要多语字幕。它把这几件事放在同一个项目里，减少跨工具搬运。

它不适合以画面为主的项目。多机位、复杂特效与精细调色仍要到 Premiere、DaVinci Resolve 里做；超过两小时的项目在浏览器里会明显变卡，重度使用应装客户端。

二、基本信息

工具/平台名称	Descript
官网网址	descript.com
上线时间	公司成立于 2017 年 12 月，早期产品为音频转写与文稿编辑；2020 年 10 月加入视频编辑能力
产品功能	文稿式音视频剪辑、自动转写与说话人分离、Studio Sound 降噪修复、Overdub 声音克隆、AI 语音与多语配音、AI 绿幕、眼神校正、Underlord 智能助手、屏幕与远程录制、自动字幕、竖屏短片、团队协作与发布
所属公司	Descript, Inc.，总部美国旧金山，创始人 Andrew Mason（Groupon 联合创始人）

平台覆盖桌面与浏览器：macOS、Windows 有客户端，网页端功能略少但方便协作。中文支持属于“能用但不够顺”：转写支持中文，界面却没有简体中文，标点、断句、同音词与专有名词错误率高于英文，发布前必须通读校对。导出最高 4K，分辨率随档位变化。

三、主要功能

3.1 文稿式剪辑与场景编排

上传音视频后自动转写，按说话人分段，每个词都对应时间码。删除文字即删除对应片段，选中一段拖拽即调整顺序，插入文字会触发语音合成补位。对访谈类内容，说话人分离让两个人的话按颜色区分，修改时不容易删错人。

限制集中在转写质量。中文的同音字、英文人名、专业术语错得最多，口音重或多人抢话时断句会乱；转写按小时计费，超出套餐要加购。第一步永远是校对文稿，而不是急着剪。

3.1.1 场景与幻灯片式组织

项目被拆成一个个“场景”，每个场景像一页幻灯片，可以放视频、图片、屏幕录制或纯文字，适合把口播与演示画面混排。改顺序就是拖动场景，不需要在轨道上对齐。限制是图层与动画弱，做不了复杂画中画与关键帧。

3.2 Studio Sound 降噪与音质修复

这是口碑最好的功能之一。一段在空旷房间、咖啡馆或酒店录的音，开启后能压掉底噪与混响，补回低频，把电平拉齐，听感接近“在小空间里用动圈麦录的”。对没有声学装修的创作者，这一项直接决定了内容能不能发。

它不是万能的。严重削波、持续施工声、多人同时说话，修完仍会残留；处理会改变原声质感，音乐演奏、需要保留空间感的现场录音不建议开。人声播客、课程讲解是它最合适的场景，修复后仍要戴耳机复核齿音与呼吸声。

3.3 Overdub 声音克隆

Overdub 用一段本人的录音建立声纹模型，之后在文稿里输入文字，就能用这个声音读出来。典型用法是补一个说错的数字、加一句漏掉的过渡、修改过时的信息，而不必重新架机器。建声纹可以按脚本朗读十到三十分钟，也可以只读一句授权声明再上传已有录音。

产品层面有一条硬限制：只能克隆使用者本人的声音，这是设计上的约束，不是技术做不到。免费与低档位的声纹词库有限，大约覆盖一千个常用词，超出范围的字词读不出来；高档位才取消词库限制。合成出的长句韵律偏平，笑声、咳嗽、情绪起伏对不上，关键段落仍建议真人补录。

3.3.1 授权与合规边界

声音在中国法律里受人格权保护，在欧盟与美国部分州也有专门的肖像与声音立法。用 Overdub 之前，至少守住五条：只克隆本人，或取得本人明确、可撤回的书面授权；团队代为操作时，把授权书、录音样本、使用范围存档；合成语音用于公开发布时，按《互联网信息服务深度合成管理规定》等要求做显著标识，不得让人误以为是真实录音；不得用于伪造他人言论、诈骗、绕过身份核验、恶搞公众人物；合作结束或员工离职后，删除声纹模型与相关素材。

商用场景要更谨慎。广告、代言、付费课程里使用克隆声音，除了本人授权，还要确认合同是否允许转授权、是否限定投放平台与期限。平台条款只解决“能不能用这个功能”，不解决“有没有权利克隆这个声音”。克隆他人、明星、客户声音，都不在合规范围内。

3.4 Regenerate、AI 配音与多语译制

Regenerate 是 Overdub 的进阶：补录时会分析前后文的环境声与语调，让新生成的句子更贴合原录音，而不是明显“换了一段”。配合内置的 AI 语音库，可以在不录音的情况下生成旁白；多语配音能把一条内容转成二十多种语言，字幕同步翻译。

限制在自然度。中文合成语调偏平，长句停顿不地道；译制配音与口型对不上，情绪有落差；方言、缩写、品牌名容易读错。它适合多语种的“信息传达”，不适合需要表演感的配音。

3.5 AI 绿幕与眼神校正

绿幕抠像不需要真的挂一块绿布，直接识别人物边缘替换背景，适合家里、酒店、临时办公室这类没有布景条件的拍摄。眼神校正则把读提词器时飘向一侧的视线拉回镜头，观感上更像在直视观众，对课程与销售口播很实用。

两者的边界都在细节。发丝、眼镜反光、半透明衣物、快速转头会让抠像出现毛边；眼神校正对正脸有效，侧脸与低头基本无效，校正过头会有“贴上去的眼睛”的失真感。背景复杂、人物与背景颜色接近时，仍要回到实拍绿幕或手动遮罩。

3.6 Underlord 智能助手

Underlord 把分散的 AI 功能收进一个对话入口。你可以说“把这期播客清理到可发布状态”，它会连续执行删语气词、去长停顿、套用 Studio Sound、生成章节与标题、挑出几条可以做短片的段落。也可以单点调用，比如只让它写节目简介或找三个金句。

它的问题是理解力有限。长项目里指代容易丢，批量删除可能误伤上下文，章节标题偏模板化。稳妥的用法是任务拆小、每步确认。免费与低档位调用次数有限，重度使用很快耗尽。

3.7 屏幕、摄像头与远程录制

内置屏幕录制与摄像头录制，录完直接进同一个项目，适合软件教学、产品演示、内部培训。Rooms 支持远程访谈，每位参与者本地录音，避免网络波动造成的音质损失，事后各自上传，音轨自动对齐。

限制在协作条件。参与者需要浏览器与稳定网络，人数、时长与录制规格受套餐约束；国内访问稳定性一般。它只替代远程录音棚的一部分，专业多轨录制仍有更专的方案。

3.8 字幕、短片与发布协作

字幕从转写稿直接生成，可改样式、翻译成多语、烧录或导出字幕文件。Clips 把长内容裁成竖屏短片，自动加字幕与主体跟随；项目可以生成分享链接，团队成员在具体时间点留评论，改完即更新，不用来回传文件。

短片能力偏基础。模板少、动效简单，做不出投放级包装；主体跟随在快速移动时会丢。发布支持主流海外平台，国内平台需手动上传。

四、发展历程

Descript 的起点不是视频，而是一个播客导览工具的内部剪辑需求。创始人做城市语音导览时，发现剪一段几分钟的音频要花掉几天，于是把“转成文字再编辑”的原型做成了产品。下表按公开报道与公司公告整理，融资金额来自当时的媒体报道。

时间	事件	影响
2017 年 12 月	Descript 从 Detour 拆分独立，获 500 万美元种子轮	确立“文稿即编辑器”的产品方向
2019 年 9 月	完成 1500 万美元 A 轮，同期收购语音合成公司 Lyrebird	为后来的 Overdub 声音克隆打下技术基础
2020 年 10 月	从音频扩展到视频，推出文稿式视频剪辑与屏幕录制	赶上远程办公与创作者经济的增长
2021 年 1 月	完成 3000 万美元 B 轮，估值约 2.6 亿美元	团队扩张，客户扩展到媒体与教育机构
2022 年 11 月	推出 Storyboard 新版界面，完成 5000 万美元 C 轮，OpenAI 创业基金领投	从时间线转向场景化编辑，估值约 5.5 亿美元
2023 年至 2025 年	陆续上线 Studio Sound、眼神校正、绿幕、Regenerate，并把 AI 能力收进 Underlord	从“文本剪辑器”变成综合 AI 制作工具
2026 年	官方称全球创作者超过 600 万，AI 功能按额度计费，团队版强化品牌与权限管理	进入成熟期，增长重心转向团队与教育市场

第一个判断是，它的每次转向都跟着媒介走。音频时代解决“剪播客太慢”，视频时代解决“口播剪不动”，AI 时代解决“重录太贵”。功能看起来越来越多，底层逻辑没变：把音视频变成可搜索、可编辑的文本对象，再把 AI 挂在这个对象上。

第二个判断是竞争位置。它既不是纯剪辑软件，也不是纯转写服务，而是卡在两者中间的工作台。这个位置的优势是流程完整，劣势是两头都有人挤压：专业剪辑软件向下做易用性，转写工具向上做剪辑，切片工具从分发端切入。它真正的壁垒是 Overdub 积累的声纹能力与“文稿—时间线”双视图的工程复杂度，而不是某一个单点功能。

五、核心优势

5.1 改文字就改视频，学习成本最低

对没有剪辑基础的人，时间线与波形是最难跨的门槛。文稿式编辑把操作变成“读一遍、删几句、拖两段”，第一版成片通常一小时内能出来。对你的意义是：文字工作者可以直接上手，不必先学一套软件逻辑。

它不擅长画面叙事。镜头节奏、转场、视觉隐喻帮不上忙，故事性强的内容仍要回到时间线。

5.2 音频修复把“设备差”变成“能听”

Studio Sound 对房间混响与底噪的处理，能让手机、耳机麦录的素材达到可发布水平。省下的是声学装修、专业麦克风与调音师的钱，对刚起步的播客与课程作者，这是最直接的价值。

它不擅长修复严重损坏。削波、爆音、多人重叠处理完仍有痕迹，录音环节能解决的问题别留给后期。

5.3 补录不用重录，时间成本骤降

说错一个数字、漏了一句结论，过去要重新布光、架麦、对准情绪再录一遍。Overdub 与 Regenerate 让修改变成“打几个字”，几分钟完成。对日更口播和数据经常变动的课程，这个能力使用频率极高。

它不擅长长段表演。合成语音情绪层次薄，超过一两句就能听出拼接，开场与结尾仍建议真人录。

5.4 录制、剪辑、发布在一条链上

屏幕录制、远程录制、转写、剪辑、字幕、竖屏短片、分享链接都在同一个项目里，素材不用导出导入。省下的是文件管理与格式转换，也避免了“字幕对不上版本”这类返工。

它不擅长专业后期。调色、混音、多机位、动态图形都弱，成片上限是干净的口播片。

5.5 团队协作与品牌一致性

评论、权限、共享模板、品牌套件，让多人协作不必靠传文件。对企业客户，这意味着同一套字体、片头、字幕样式可以被复制到每个项目，新人产出不会跑偏。

它不擅长轻量个人场景。协作功能集中在中高档位，一个人做内容用免费档或低档位就够。

六、如何使用

Descript 的入门路径比传统剪辑软件短得多，核心只有一件事：先把话说清楚，再改字。下面八步覆盖从注册到导出第一条成片，桌面客户端与网页端操作基本一致，长项目建议用客户端。

注册并选版本。用邮箱或 Google 账号登录 descript.com，免费档每月给 1 小时转写时长，导出 720p 带水印。页面会引导下载 macOS 或 Windows 客户端，超过半小时的项目建议直接装客户端，浏览器处理长音频容易卡。
新建项目并上传。点“New project”，把录音、视频或屏幕录制拖进去，也可以直接选“Record”现录。支持常见音视频格式，上传后自动开始转写，时长越长等待越久，一小时的素材通常要几分钟到十几分钟。
校正转写稿。先通读，不改剪辑，只改错字、人名、术语和断句，这一步决定后面所有文字操作是否可靠。中文内容重点看同音词与标点，错一处会导致整段语义偏移。
删改文字完成粗剪。删掉口误、重复、跑题段落，把要保留的部分拖到合适顺序。删除是即时的，画面与声音同步跟随。粗剪阶段不要纠结秒级节奏，先把结构定下来。
清语气词与静音。用一键清理去掉“嗯、啊、那个”和长停顿，再手动复核被误删的转折词。机器分不清“那个”是指示代词还是口头禅，通读一遍比事后补录省事。
处理声音。选中音轨开启 Studio Sound，先听原声再听处理后，重点检查齿音、呼吸声与背景音乐是否被一起压掉。音乐类内容不要开，人声内容建议开。
补画面与字幕。切到场景视图加标题、图片、屏幕片段；开启自动字幕并校对，需要多语版本时用翻译生成字幕轨。绿幕与眼神校正按需开启，别默认全开。
导出或分享。选分辨率导出 MP4，或生成分享链接让团队评论。需要短片时用 Clips 裁竖屏，再单独调整字幕安全区。导出前完整看一遍，重点查音画同步与字幕错行。

七、使用教程

7.1 案例一：45 分钟双人播客精剪

目标。一档双人职场播客，单集 45 分钟，需要剪到 38 分钟左右，去掉口误、重复与三段跑题，统一两人音量，生成章节与节目简介，并裁出 3 条竖屏短片用于宣发。要求保留对话的自然感，不要剪成念稿。

素材与前置。两人各自本地录音，采样率一致；上传前把两条轨道起始对齐，避免对齐后仍有偏移。项目按“期数—主题—日期”命名。

操作指令原文。在 Underlord 对话框提交，可中文输入。

这是一期双人职场播客，请按以下步骤处理：
1. 删除所有“嗯、啊、就是、然后”这类语气词，但保留作为转折使用的“但是”“所以”；
2. 删除超过 1.5 秒的停顿，句间保留 0.3 到 0.5 秒；
3. 标出三段与主题无关的闲聊（聊天气、聊午饭、聊设备），我先确认再删；
4. 按话题变化生成 5 个章节标题，每个不超过 12 字；
5. 写一段 120 字以内的节目简介，不要用“本期我们聊聊”开头；
6. 找出 3 个可以独立成片的观点段落，每段 40 到 60 秒，从完整问句开始。

参数设置。Studio Sound 开启，强度用默认；两条音轨分别处理后再混合，避免一条被压得过狠；字幕每行不超过 16 字；短片画幅 9:16，主体跟随自动；导出 1080p，音频码率选较高档。

结果评估。第一版通常有三个问题。语气词删得过头，把“那个项目”里的“那个”也删了，句子变得生硬；章节标题太概括，五个里有三个叫“职业发展”；短片从半句开始，因为停顿被压到 0.3 秒后切点前移。可量化的是：38 分钟版本里约有 12 处需要手动复原，3 条短片有 2 条可用。

返工点。把“删除所有语气词”改成“删除独立成句的语气词，保留修饰名词的用法”，误删明显减少；章节标题追加“必须包含具体名词或数字”，模板化问题缓解；短片部分改为先按章节边界切，再让系统在章节内找高光，开头半句的问题基本消失。整期从上传到导出约三小时，其中转写与校对占一半，比对着波形剪节省约两小时。

7.2 案例二：12 分钟口播课程修正与多语版本

目标。一门软件课程的口播片段，12 分钟，讲师在家里录制，背景是书架，光线一般。需要改掉两处过时的数据、补一句漏讲的步骤、把背景换成纯色、让视线看起来在看镜头，并输出中英双语字幕。讲师本人已签署声音使用授权，用于自家课程平台。

授权与合规。先由讲师本人录一段授权声明，明确声音仅用于本公司课程、期限两年、不得转授权，声明与原始录音存入项目档案。合成片段在课程页标注“部分语音由 AI 辅助生成”。这一步不能省，课程对外销售时尤其重要。

操作流程。上传原片，校对转写稿，定位两处旧数据所在的句子。第一处直接把数字改成新值，用 Overdub 重新生成该句；第二处漏讲的步骤较长，改用 Regenerate，让系统参考前后环境声，再手动微调语速。随后开启绿幕替换背景，眼神校正强度调到中低，最后生成中文字幕并翻译成英文。

修正指令（在文稿中直接操作，不需要额外提示词）：
- 将“去年我们的转化率是 3.2%”改为“今年上半年的转化率是 4.1%”，保持原句语气；
- 在“然后点击导出”之前补一句“如果只需要音频，可以在导出设置里取消视频轨道”；
- 新增句子语速与前后保持一致，不要升降调；
- 生成英文字幕时保留产品名不翻译，数字与单位按原文格式。

参数设置。Overdub 使用讲师本人声纹，词库为完整版；绿幕边缘羽化调低，避免人物轮廓发虚；眼神校正强度 40% 左右；字幕中文每行 15 字，英文每行 42 字符；导出 1080p，保留单独的音轨文件备用。

结果评估。第一版的合成句偏平，“4.1%”读得机械；绿幕把书架边的绿植抠掉一半，人物肩膀抖动；眼神校正过强，眨眼不自然；产品名被翻译成中文，需要加白名单。

返工点。合成句改为拆成两句短句生成，再把停顿接上，机械感会弱很多；绿幕改用纯色背景加轻微阴影，比强行保留书架更干净；眼神校正降到 25% 到 30%，并避开快速转头段；字幕建立术语表，把产品名、缩写、版本号设为不翻译。整段处理约两小时，其中授权与合规材料准备占二十分钟，实际剪辑不到一小时。

八、价格优惠

计费由两部分组成：每月可转写的媒体时长，以及 AI 功能的调用额度。转写是硬成本，超出后按小时加购；声音克隆、眼神校正、多语配音这类功能消耗 AI 额度，档位越低额度越少。下表为公开档位的结构与量级，具体价格与额度以官网实时价格为准。

套餐	价格	包含额度	适合谁
免费档	0 元	每月约 1 小时转写，720p 导出带水印，AI 功能仅试用	判断文稿式编辑是否适合自己
入门档	约十几美元/人/月，年付更低	每月约 10 小时转写，1080p 无水印，基础 AI 功能有额度	周更播客、个人口播账号
创作者档	约二十几美元/人/月，年付更低	每月约 30 小时转写，4K 导出，声音克隆、眼神校正、多语配音	多平台更新、需要补录的创作者
团队档	每席位约四十美元/月量级	更高或不限转写时长、品牌套件、权限管理与优先支持	企业内容团队、课程机构

怎么买最省。一是年付，官方折算通常比月付低三成左右。二是把转写留给成片素材，草稿与参考录音不要上传，时长按“最终要剪的内容”算。三是团队按席位买，不要共享账号，额度与权限混乱后查不到人，反而更贵。

超额成本要提前算。转写超出套餐后按小时计费，量级约每小时两美元，一场三小时活动录播可能吃掉小半月额度。声音克隆、长段配音、批量校正都属高消耗，集中做完再统一导出更省。

只做音频播客、不需要克隆，低档位足够；核心诉求是补录与多语版本，必须选含声音克隆的档位，否则会被词库与额度卡住。免费档只适合验证“读文字剪片”是否成立。

九、最新动态

Underlord 持续扩展。2025 年至 2026 年，官方把分散的 AI 动作逐步收进 Underlord，从单点按钮变成可连续执行的任务流。据官方博客，新增能力集中在批量清理、章节生成、短片挑选与多语处理。

声音与译制能力加强。Regenerate 在补录时会参考环境声，多语配音覆盖的语言数量继续增加。官方同时强调 Overdub 只能克隆本人，并在建声纹流程中加入授权声明环节，这与各国对深度合成标识的要求方向一致。

用户规模与定位。官方称全球创作者超过 600 万，客户从个人播客扩展到媒体、教育与企业的内容团队。2026 年的产品页把自身描述为“AI 视频与播客编辑器”，不再只强调转写，重心明显偏向“制作工作台”。

待观察的部分。官方未公开最新估值与营收，2022 年 C 轮后再无融资公告；中文界面、国内平台直发也未见明确计划。对国内用户，这些短板短期不会消失，选型要按“英文工作流”预估学习成本。

十、竞品对比

比较对象要分清：Descript 是以文稿为中心的工作台，OpusClip 是长转短切片器，Premiere 是专业时间线，剪映是本土化综合工具，Riverside 是远程录制，Adobe Podcast 是音频修复。

维度	Descript	OpusClip	Premiere	剪映	Riverside
核心定位	文稿式音视频编辑	长转短切片	专业非线性剪辑	综合剪辑与包装	远程录制
编辑方式	改文字即改片	自动切片加微调	时间线	时间线	录制为主，轻剪辑
音频修复	Studio Sound	基础增强	需插件	基础降噪	本地音轨，质量高
声音克隆	Overdub，仅本人	有 AI 配音	需第三方	有 AI 音色	无
中文界面	无	无	有	有	无
精细后期	中等	弱	强	较强	弱
上手门槛	低	低	高	低	低

维度	Descript	OpusClip	Premiere	剪映	Adobe Podcast
计费模式	按转写时长加 AI 额度订阅	按处理分钟数订阅	按月或年订阅	免费加会员	免费加订阅
入门成本	免费档可用，付费约十几美元起	免费档可用，付费约十几美元起	每月二十美元级起	基础功能免费	基础修复免费
强项场景	播客、口播、课程、访谈	播客与访谈二次分发	广告、短片、复杂剪辑	国内平台成片	纯音频降噪
明显短板	复杂画面与长项目性能	精细后期与中文	学习曲线与价格	长音频工作流弱	不含剪辑