Moviepy脚本音频串音问题：如何阻止Recording4.m4a混入其他片段？

问题描述 #

我有一个包含语音录音路径、视频路径、起止时间的DataFrame，需求是循环处理每条数据，将语音添加到对应视频片段的开头：视频开头延长，仅播放画面无原音频，先播放语音，再播放原视频时段的音视频。

DataFrame示例：

speech_paths,vid_paths,start,stop,short_option, 
Recording.m4a,hr.mp4,00:11:11.520,00:11:22.800,N,
Recording2.m4a,hr.mp4,00:04:38.800,00:04:54.840,N, 
Recording3.m4a,hr.mp4,00:05:12.520,00:05:35.600,N, 
Recording4.m4a,hr.mp4,00:10:36.440,00:11:11.520,N,  

编写MoviePy脚本实现功能后，出现异常：Recording4.m4a的声音混入前面三个处理后的片段中，每个片段前半段音频正确，后半段被第四个录音打断。

核心问题原因 #

1. 临时音频文件复用导致资源冲突：每次循环都覆盖同一个mono.mp3文件，但MoviePy的AudioFileClip会持有文件句柄，后续读取时，旧的剪辑对象可能仍引用旧的文件数据，或者文件被覆盖后缓存混乱，导致音频串流。
2. 未释放剪辑资源：处理过程中创建的AudioFileClip、VideoFileClip未显式关闭，占用文件资源，引发数据读取异常。
3. 延迟加载导致的资源引用错误：clips_list中存储的是未渲染的剪辑对象，当最后拼接所有剪辑时，这些对象会延迟加载音频，此时mono.mp3已经是最后一次循环的内容，导致前面的剪辑错误读取最后一个语音文件。

解决方法 #

1. 生成唯一临时音频文件 #

避免循环中复用同一个音频文件，用循环计数或语音文件名作为后缀，生成唯一的临时文件。

2. 显式关闭剪辑资源 #

处理完每个剪辑后，关闭所有AudioFileClip和VideoFileClip对象，释放文件句柄。

3. 可选：提前渲染单个剪辑到临时文件 #

如果需要拼接多个剪辑，先将每个处理好的final_clip写入临时文件，再读取后加入clips_list，避免延迟加载带来的资源引用问题。

修改后的关键代码 #

# 获取csv文件数据
df = pd.read_csv('./csv-data/clip-config.csv')
speech = df['speech_paths']
startstamps = df['start']
endstamps = df['stop']
videos = df['vid_paths']

# 录音文件路径
record_path = 'C:/Users/Corey4005/Documents/Sound recordings'

# 当前工作目录
cwd = os.getcwd()

# 视频相关路径
videos_path = os.path.join(cwd, 'inputvideos')
outputvideos_path = os.path.join(cwd, 'outputvideos')
srt_path = os.path.join(cwd, 'srtfile')

# 创建临时目录存储中间文件
temp_dir = os.path.join(cwd, 'temp')
os.makedirs(temp_dir, exist_ok=True)

# 存储剪辑的列表（用于多剪辑拼接）
clips_list = []

count = 0
# 循环处理每条数据
for i in range(len(df)):
    count +=1

    speech_file = speech[i]
    # 生成唯一的临时音频文件名
    temp_mono_mp3 = os.path.join(temp_dir, f'mono_{count}.mp3')

    start_stamp = startstamps[i]
    end_stamp = endstamps[i]
    video_file = videos[i]

    path_to_video = os.path.join(videos_path, video_file)
    path_to_mp3 = os.path.join(record_path, speech_file)

    print("----------- Progress: {} / {} videos processed -----------".format(count, len(df)))
    print("----------- Combining the Following Files: ")
    print("----------- Speech: {}".format(path_to_mp3))
    print("----------- Video: {}".format(path_to_video))

    # 获取音频时长
    audio_length = get_audio_length(path_to_mp3)

    print('----------- Writing mono speech file')
    # 转换语音为单声道MP3并保存到临时文件
    speech_clip = mp.AudioFileClip(path_to_mp3)
    speech_clip.write_audiofile(temp_mono_mp3, ffmpeg_params=["-ac", "1"])
    speech_clip.close()  # 关闭原语音剪辑，释放资源

    # 截取包含延长部分的视频片段
    big_clip = clip_video(path_to_video, start_stamp, end_stamp, audio_length)

    # 拆分出语音时长的开头片段
    first_clip = big_clip.subclip(0, audio_length)

    # 给开头片段设置语音音频
    audioclip = mp.AudioFileClip(temp_mono_mp3)
    first_clip.audio = audioclip
  
    # 拆分出剩余的原视频片段
    second_clip = big_clip.subclip(audio_length)

    # 拼接两个片段
    final_clip = mp.concatenate_videoclips([first_clip, second_clip])

    if len(df)>1:
        # 提前渲染单个剪辑到临时文件，避免延迟加载问题
        temp_final_clip = os.path.join(temp_dir, f'final_clip_{count}.mp4')
        final_clip.write_videofile(temp_final_clip)
        # 读取临时文件加入拼接列表
        clips_list.append(mp.VideoFileClip(temp_final_clip))
        # 关闭当前循环的所有剪辑资源
        audioclip.close()
        big_clip.close()
        final_clip.close()
    else:
        ytoutpath = os.path.join(outputvideos_path, 'youtube.mp4')

        print('----------- Writing combined speech and videofile')
        final_clip.write_videofile(ytoutpath)

        ytfilepath = os.path.abspath(ytoutpath)

        print("----------- generating srt file")
        transcribefile = video_to_srt(ytfilepath, srt_path)

        print("----------- subtitiling youtube video")
        subtitledyt = create_subtitles(ytfilepath, transcribefile, 'yt', outputvideos_path)

        print('----------- generating tiktok video')
        resized = resize(final_clip, count, outputvideos_path)
        
        print('----------- subtitling tiktokvideo')
        tiktoksubtitled = create_subtitles(resized, transcribefile, 'tt', outputvideos_path)

        # 关闭资源
        audioclip.close()
        big_clip.close()
        final_clip.close()

if len(df)>1:
    print("----------- Concatinating all {} videos -----------".format(len(df)))
    concatinate_all = mp.concatenate_videoclips(clips_list)
    
    ytoutpath = os.path.join(outputvideos_path, 'concat_youtube.mp4')
    concatinate_all.write_videofile(ytoutpath)

    # 关闭所有拼接用的剪辑资源
    for clip in clips_list:
        clip.close()
    concatinate_all.close()

# 可选：处理完成后清理临时目录
# import shutil
# shutil.rmtree(temp_dir)

补充说明 #

• 新增temp_dir存储临时文件，彻底避免文件覆盖冲突，处理完成后可选择删除临时目录。
• 所有创建的AudioFileClip、VideoFileClip对象都显式调用close()方法释放资源，防止文件句柄泄漏。
• 多剪辑场景下，提前将单个剪辑渲染到临时文件再读取拼接，彻底解决延迟加载导致的音频串流问题。

内容的提问来源于stack exchange，提问作者Corey4005