17、音频拼接与分割：音频文件的拼接、裁剪、淡入淡出效果

音频处理里，拼接和分割是最基础的操作。说白了，就是把几段音频粘起来，或者从一大段里切出想要的部分。但真正做起来，你会发现坑不少——拼接处有爆音、裁剪后时长不对、淡入淡出听着不自然……这些我都踩过。

今天咱们就聊聊，怎么用 FFmpeg 把这些活儿干漂亮。

17.1 音频拼接：把多段音频连起来

拼接音频，FFmpeg 提供了好几种方式。我个人最常用的是 concat 协议和 concat 滤镜。

17.1.1 使用 concat 协议（最简单）

如果你要拼接的文件格式、编码、采样率完全一致，用 concat 协议最省事。它不会重新编码，速度飞快。

ffmpeg -i "concat:part1.mp3|part2.mp3|part3.mp3" -c copy output.mp3

这里 -c copy 表示直接复制流，不重新编码。我在项目中处理过上百段语音拼接，用这种方式几秒钟就搞定。

17.1.2 使用 concat 滤镜（更灵活）

当文件参数不一致时，就得用 concat 滤镜了。它会自动重新编码，保证输出格式统一。

ffmpeg -i part1.mp3 -i part2.mp3 -i part3.mp3 \
-filter_complex "[0:a][1:a][2:a]concat=n=3:v=0:a=1[out]" \
-map "[out]" output.mp3

参数说明：

• n=3：输入音频段的数量
• v=0：没有视频流
• a=1：输出音频流

嗯，这里要注意：concat 滤镜会重新编码，所以质量会有轻微损失。如果对音质要求极高，建议先用工具统一参数，再用 concat 协议。

17.2 音频裁剪：切出你想要的片段

裁剪音频，FFmpeg 的 -ss 和 -t 参数是标配。但怎么用得巧，有讲究。

17.2.1 基础裁剪

ffmpeg -i input.mp3 -ss 00:01:30 -t 00:00:30 output.mp3

这个命令从 1 分 30 秒开始，截取 30 秒的音频。我习惯把 -ss 放在 -i 前面，这样 FFmpeg 会先跳转到指定位置再解码，速度更快。

17.2.2 精确裁剪（关键帧问题）

为什么有时候裁剪出来的音频，开头会多出几毫秒？因为音频也有类似视频的关键帧概念。如果你用 -ss 在 -i 后面，FFmpeg 会从最近的关键帧开始解码，导致时间不准。

解决办法：

ffmpeg -ss 00:01:30 -i input.mp3 -t 00:00:30 -c copy output.mp3

把 -ss 放在 -i 前面，FFmpeg 会先做时间索引跳转，再开始解码。这样裁剪出来的音频，时间点非常精确。

17.3 淡入淡出效果：让过渡更自然

拼接后的音频，如果直接连起来，连接处可能会有「咔」的一声。这是因为波形不连续。淡入淡出就是解决这个问题的。

17.3.1 使用 afade 滤镜

afade 是 FFmpeg 专门做音频淡入淡出的滤镜。

ffmpeg -i input.mp3 -af "afade=t=in:ss=0:d=3" output.mp3

这个命令在开头 3 秒做淡入。参数说明：

• t=in：淡入模式
• ss=0：从第 0 秒开始
• d=3：持续 3 秒

淡出也一样：

ffmpeg -i input.mp3 -af "afade=t=out:st=10:d=3" output.mp3

从第 10 秒开始，用 3 秒时间淡出。

17.3.2 拼接时自动添加淡入淡出

如果你在拼接多段音频时，希望每段之间都有淡入淡出效果，可以结合 acrossfade 滤镜。

ffmpeg -i part1.mp3 -i part2.mp3 -filter_complex \
"[0:a][1:a]acrossfade=d=3:c1=tri:c2=tri[out]" \
-map "[out]" output.mp3

这个命令在 part1 和 part2 之间做了 3 秒的交叉淡入淡出。c1 和 c2 是曲线类型，tri 表示三角形曲线，听起来最自然。

17.4 实战：完整的拼接+裁剪+淡入淡出

咱们来一个综合案例。假设你有三段音频，需要：

1. 从每段中裁剪出指定部分
2. 拼接在一起
3. 整体做淡入淡出

ffmpeg -i part1.mp3 -i part2.mp3 -i part3.mp3 \
-filter_complex \
"[0:a]atrim=start=10:end=20,afade=t=in:d=1[clip1]; \
 [1:a]atrim=start=5:end=15,afade=t=in:d=1[clip2]; \
 [2:a]atrim=start=0:end=10,afade=t=in:d=1[clip3]; \
 [clip1][clip2][clip3]concat=n=3:v=0:a=1[concat]; \
 [concat]afade=t=out:st=27:d=2[out]" \
-map "[out]" final.mp3

这个命令做了几件事：

• atrim 裁剪每段音频的指定范围
• 每段开头加 1 秒淡入
• 三段拼接在一起
• 最后 2 秒整体淡出

你看，FFmpeg 的滤镜链可以组合得非常灵活。我在做播客剪辑时，经常用这种组合方式，一条命令就能完成所有处理。

17.5 知识体系图

下面这张图总结了音频拼接与分割的核心操作和它们之间的关系：

17.6 避坑指南

最后，分享几个我踩过的坑：

• 采样率不一致： 拼接前先用 aresample 滤镜统一采样率，否则会出现音调变化。
• 爆音问题： 裁剪点如果刚好在波形峰值，拼接后会有爆音。建议在裁剪点前后加 10-20 毫秒的淡入淡出。
• 时长误差： 用 -c copy 裁剪时，实际时长可能和指定时长有几毫秒偏差。如果要求精确，用 atrim 滤镜。

音频处理就是这样，看起来简单，做起来全是细节。但只要你掌握了这些核心操作，大部分场景都能应对。

---

公众号:蓝海资料掘金营，微信deep3321