4.3 音频滤镜：声音的整形与混音

4.3 音频滤镜：声音的整形与混音

本节摘要：音频滤镜处理的是采样点而非像素，最常见的三件事是调音量、混音、加延时与降噪。本节给出音量（volume）、混音（amix）、延时（adelay）、均衡（equalizer）的可运行命令，讲清单输入与多输入滤镜的分野。

学习目标

阅读完本节，你应当能够：

1. 用 volume 精确控制音量，理解增益与分贝的关系
2. 用 amix 把多路音频混成一路，理解混音与拼接的区别
3. 用 adelay、equalizer 做简单的延时与均衡处理

一、场景代入：一段播客的诞生

假设你有一段采访录音，前半段嘉宾声音小、后半段突然爆音，背景还时不时有电流声。这在视频滤镜体系里是「几何变换」无论如何都解决不了的问题——因为处理对象根本不是画面。

音频滤镜处理的是采样点：连续的电压值序列。调音量是乘一个系数，混音是多个序列相加，延时是给序列「挪位置」。理解了对象是采样点，音频滤镜的行为就都说得通了。这也解释了为什么音频滤镜和视频滤镜要分开记：画面管像素，声音管采样，两者毫无交集。

二、核心原理：音频滤镜的三大类

1. 音量控制：volume

# 音量降低一半（约 -6 dB）
ffmpeg -i input.mp4 -af "volume=0.5" output.mp4
​

volume 的值是线性增益倍数：1.0 是原音量，0.5 减半，2.0 翻倍。用分贝表达更直观：volume=6dB 表示 +6 dB（约 1.41 倍），volume=-6dB 减半。注意 dB 后缀必须写全，直接写数字按倍数解释。

工程取舍：音量只能调「范围」，调不了「忽大忽小」。要解决前段小声后段爆音，得用 dynaudnorm（动态范围归一化）：

ffmpeg -i interview.mp4 -af "dynaudnorm=f=150:g=15" output.mp4
​

f 是帧长（毫秒，影响响应速度），g 是最大增益（dB）。它是「自动音量平衡」，适合让音量总体接近一个水平。

2. 混音：amix 与 amerge

混音 = 把多路音频同时播放叠成一路。场景：背景音乐 + 人声。

# 两路音频混成一路，输出时长取最长
ffmpeg -i voice.mp4 -i bgm.mp3 -filter_complex \
  "amix=inputs=2:duration=longest:dropout_transition=2" -c:v copy output.mp4
​

参数拆解：inputs=2 声明两路输入；duration=longest 说输出多长（还可以 shortest 取最短、first 取第一路）；dropout_transition=2 是某路结束后音量渐弱的秒数，避免「背景音乐戛然而止」。

混音 vs 拼接要分清楚：混音（amix）是同时叠加，拼接（concat）是先后衔接。播客场景常用混音把片头曲和人声叠一起。

3. 时间类与均衡类：adelay、equalizer

# 左声道延迟 500ms，右声道延迟 1000ms（立体声错位效果）
ffmpeg -i input.mp4 -af "adelay=500|1000" output.mp4

# 削掉 60Hz 以下（常见的降噪第一步）
ffmpeg -i input.mp4 -af "highpass=f=60" output.mp4
​

adelay=500|1000 用竖线分隔各声道延迟；highpass 高通滤波，只留 60Hz 以上的声音，能把低频哼声、电流声的一部分滤掉。要削高频噪声用 lowpass，要在某个频段做增减用 equalizer=f=1000:t=q:w=1:g=5（1000Hz 附近 +5 dB）。

三、工程实践要点

音视频滤镜链各管各的

一条命令里可以同时给画面和声音上滤镜，语法用 -vf 与 -af 分开：

# 画面加模糊 + 声音统一音量
ffmpeg -i input.mp4 -vf "boxblur=luma_radius=5:luma_power=1" \
  -af "dynaudnorm" -c:v libx264 -c:a aac output.mp4
​

管线里视频帧走 -vf 链、音频帧走 -af 链，两条链并行，最后在封装时汇合——这正是第 4 章支柱页全景图的结构。

常见坑：采样率不一致

混音时两路音频采样率不同（48kHz 和 44.1kHz），amix 可能直接报错或产出爆音。解法是先把输入统一：

# 先把背景乐重采样到 48kHz，再混音
ffmpeg -i voice.mp4 -i bgm.mp3 -filter_complex \
  "[1:a]aresample=48000[bg];[0:a][bg]amix=inputs=2:duration=longest" output.mp4
​

aresample=48000 把 bgm 转成 48kHz，命名的流再进 amix。「先统一再混合」是音频处理的第一原则。

用一张图总结音频滤镜的分类与典型用法：

图说明：三类滤镜

振幅类处理「多大」，混合类处理「几路怎么叠」，频域类处理「哪些频段怎么调」。三类互不冲突，可以串成链，但注意顺序：通常先滤波再调音量，混音放最后。

⚠️ 常见坑：volume=6dB 里的 dB 后缀别丢；amix 的输入采样率不一致会爆音；拼接用 concat、叠加用 amix，两个滤镜别混。音频处理完记得检查声道数是否变了（-ac 2 强制立体声）。

💡 关键直觉：听到「爆音、失真」先查两个地方——增益是不是过了 1.0 附近、各路采样率是不是没统一。音频问题的根源多半在「数值」和「速率」上，跟画面滤镜完全不同。

要点回顾

• 对象是采样点：音频滤镜处理数值序列，与像素无关，与视频滤镜完全平行
• 音量三兄弟：volume 线性调、dB 后缀表示分贝、dynaudnorm 做自动平衡
• 混音先统一：aresample 统一采样率后再 amix，否则爆音
• 混音 vs 拼接：amix 同时叠加、concat 先后衔接，别混用
• 并行双链：-vf 与 -af 各管各的帧，最终在封装处汇合

下一节走到管线最核心的工位——编码，第 5 章看压缩的本质与参数怎么选。