从MP4视频提取音频流后音视频不同步的技术求助

用以下Python代码从MP4提取音频流，和原视频流合并时无法对齐。奇怪的是，单独保留视频流后用视频编辑器导出完整音频：MP3格式有延迟，但WAV格式能100%匹配。本来以为改代码导出WAV就能解决，结果没用。

原代码：

from pydub.utils import mediainfo
from moviepy.editor import VideoFileClip

def extractAudioFromVideoFile(inputFile, outputFile, startTimeInSeconds, endTimeInSeconds):
    clip = VideoFileClip(inputFile)
    # Ensure the end time does not exceed the video's duration
    if endTimeInSeconds > clip.duration:
        endTimeInSeconds = clip.duration

    seg = clip.subclip(startTimeInSeconds, endTimeInSeconds).audio
    bitrate = mediainfo(inputFile)['bit_rate']
    seg.write_audiofile(outputFile, codec="libmp3lame", bitrate=bitrate)

1. MoviePy的subclip依赖FFmpeg封装层处理音频，若原视频音视频时间戳本身存在微小偏移，会被放大导致对齐失败。
2. 用mediainfo获取的bit_rate是视频的码率，强行套给音频编码会引发异常，加剧对齐问题。
3. 即使导出WAV，MoviePy默认的音频重采样、格式转换流程仍可能引入时间偏移。

方法一：直接调用FFmpeg（最可靠） #

FFmpeg能精准处理音视频时间戳，绕开MoviePy封装层的问题，用subprocess直接调用即可：

import subprocess

def extractAudioFromVideoFile(inputFile, outputFile, startTimeInSeconds, endTimeInSeconds):
    duration = endTimeInSeconds - startTimeInSeconds
    # 直接复制原音频流，无编码损失，对齐精度最高
    cmd = [
        'ffmpeg',
        '-ss', str(startTimeInSeconds),  # 起始时间
        '-t', str(duration),             # 截取时长
        '-i', inputFile,                 # 输入文件
        '-vn',                           # 忽略视频流
        '-acodec', 'copy',               # 复制原音频编码
        '-y',                            # 覆盖输出文件
        outputFile
    ]
    subprocess.run(cmd, check=True)

如果要导出WAV格式，把-acodec copy替换为-acodec pcm_s16le即可：

cmd = [
    'ffmpeg',
    '-ss', str(startTimeInSeconds),
    '-t', str(duration),
    '-i', inputFile,
    '-vn',
    '-acodec', 'pcm_s16le',  # WAV无损编码格式
    '-y',
    outputFile
]

方法二：修正MoviePy代码 #

如果坚持用MoviePy，需调整参数避免不必要的编码和重采样：

from moviepy.editor import VideoFileClip

def extractAudioFromVideoFile(inputFile, outputFile, startTimeInSeconds, endTimeInSeconds):
    clip = VideoFileClip(inputFile)
    if endTimeInSeconds > clip.duration:
        endTimeInSeconds = clip.duration

    audio = clip.audio
    # 获取音频原始参数，避免重采样偏移
    sample_rate = audio.fps
    is_wav = outputFile.endswith('.wav')

    seg = audio.subclip(startTimeInSeconds, endTimeInSeconds)
    seg.write_audiofile(
        outputFile,
        codec="pcm_s16le" if is_wav else "libmp3lame",
        fps=sample_rate,  # 保留原采样率
        bitrate=audio.bitrate if not is_wav else None,  # 用音频自身码率
        nbytes=2 if is_wav else None
    )
    clip.close()

• 用-ss+-t指定截取范围比直接用结束时间更精准，FFmpeg会严格按时间戳执行。
• 优先选择直接复制音频流（-acodec copy），完全保留原音频的时间戳和编码参数，对齐零误差。

内容的提问来源于stack exchange，提问作者Joan Venge