使用FFmpeg合并多音频至视频后音量渐变增大，如何修复？

问题背景 #

使用Node.js调用FFmpeg将多段音频合并到视频时，出现音量从开头到结尾逐渐增大的异常，原视频本身无此问题。尝试给单个音频添加dynaudnorm滤镜未解决，在合并滤镜末尾添加该滤镜导致会话失败。

原代码片段 #

const command = ffmpeg();

const mp4Path = path.join(__dirname, '..', '..', 'temp', `q-video-${new Date().getTime()}.mp4`);

fs.writeFileSync(mp4Path, videoBuff);
console.log('mp4 file created at: ', mp4Path);

// Set the video stream as the input for ffmpeg
command.input(mp4Path);

const mp3Paths = [];

for (let i = 0; i < audios.length; i++) {
    const audio = audios[i];
    const mp3Path = path.join(__dirname, '..', '..', 'temp', `q-audio-${new Date().getTime()}-${i}.mp3`);
    mp3Paths.push(mp3Path);

    fs.writeFileSync(mp3Path, audio.questionBuf);
    console.log('mp3 file created at: ', mp3Path);
    // Set the audio stream as the input for ffmpeg
    command.input(mp3Path);
}

// -------
// ChatGPT take 1
const audioTags = [];
const audioFilters = audios.map((audio, index) => {
    const startTime = audio.start_at; // Replace with your logic to calculate start time
    const endTime = audio.end_at;     // Replace with your logic to calculate end time
    audioTags.push(`[delayed${index}]`);
    // Working
    // return `[${index + 1}:a]atrim=start=0:end=${(endTime - startTime) / 1000},adelay=${startTime}[delayed${index}]`;
    return `[${index + 1}:a]dynaudnorm=p=0.9:m=100:s=5,atrim=start=0:end=${(endTime - startTime) / 1000},adelay=${startTime}[delayed${index}]`;
});

// Concatenate the delayed audio streams
const concatFilter = audioFilters.join(';');

// Mix the concatenated audio streams
const mixFilter = `${concatFilter};[0:a]${audioTags.join('')}amix=inputs=${audios.length + 1}:duration=first:dropout_transition=2[out]`;

// Set the complex filter for ffmpeg
command.complexFilter([mixFilter]);

// 后续视频滤镜、输入输出配置及事件处理代码省略

问题根源 #

1. 给单个音频片段添加dynaudnorm是错误的：该滤镜会单独归一化每段音频的音量，但合并时后期叠加的音频片段越来越多，总音量自然累加上升。
2. amix的dropout_transition=2参数会导致音频片段结束时产生2秒的增益过渡，进一步加剧音量逐渐增大的问题。

修复方案 #

1. 调整滤镜链结构：先混合，再全局归一化 #

移除单音频的dynaudnorm，先完成所有音频（含原视频音频）的延迟、裁剪、混合，再对最终混合音频做全局音量归一化，确保整个视频音量一致。

2. 修改关键滤镜代码 #

替换原有的音频滤镜生成逻辑：

const audioTags = [];
const audioFilters = audios.map((audio, index) => {
    const startTime = audio.start_at;
    const endTime = audio.end_at;
    audioTags.push(`[delayed${index}]`);
    // 移除单音频的dynaudnorm，仅保留裁剪和延迟逻辑
    return `[${index + 1}:a]atrim=start=0:end=${(endTime - startTime) / 1000},adelay=${startTime}[delayed${index}]`;
});

const concatFilter = audioFilters.join(';');

// 先混合所有音频，再对混合结果做全局音量归一化
// 方案1：使用dynaudnorm做动态归一化
const mixFilter = `${concatFilter};[0:a]${audioTags.join('')}amix=inputs=${audios.length + 1}:duration=first:dropout_transition=0[mixed];[mixed]dynaudnorm=p=0.9:m=100:s=5[out]`;

// 方案2：推荐使用loudnorm（EBU R128标准，标准化到目标响度，更专业）
// const mixFilter = `${concatFilter};[0:a]${audioTags.join('')}amix=inputs=${audios.length + 1}:duration=first:dropout_transition=0[mixed];[mixed]loudnorm=I=-16:LRA=11:TP=-1.5[out]`;

// 设置复杂滤镜
command.complexFilter([mixFilter]);

3. 参数说明 #

• dropout_transition=0：关闭音频片段结束时的过渡增益，避免音量异常波动。
• dynaudnorm参数：p=0.9（目标峰值）、m=100（最大增益）、s=5（滑动窗口大小），可根据实际需求调整。
• loudnorm参数：I=-16（目标集成响度，适合流媒体）、LRA=11（响度范围）、TP=-1.5（峰值阈值），符合行业标准。

4. 额外优化（可选） #

如果原视频音频本身音量偏低，可以单独对其做增益调整：

// 在混合前给原视频音频增加音量（示例：增益1.5倍）
const mixFilter = `[0:a]volume=1.5[video_audio];${concatFilter};[video_audio]${audioTags.join('')}amix=inputs=${audios.length + 1}:duration=first:dropout_transition=0[mixed];[mixed]dynaudnorm=p=0.9:m=100:s=5[out]`;

内容的提问来源于stack exchange，提问作者Terry Windwalker