如何用FFmpeg实现MP3/WAV批量播放并显示文件名，修复音频编码异常

问题概述 #

使用Python脚本批量将指定文件夹中的MP3/WAV文件合成带文件名显示的视频时，出现两个核心问题：

• 合成后的视频音频仅左声道输出
• 最终视频的音频存在中断现象

问题原因 #

1. 单声道问题：原脚本的音频重编码命令未强制输出双声道格式，若源音频本身为单声道，FFmpeg会默认保留单声道编码，导致最终视频仅单声道播放。
2. 音频中断问题：原脚本使用源音频时长生成视频帧的时长参数，但重编码后的音频可能因编码精度存在微小时长偏差，导致音视频时长不匹配；同时原合成命令的-shortest参数会在音视频时长未完全对齐时提前截断音频。

修改后的完整脚本 #

import os
import subprocess

def create_combined_video(audio_folder, output_path):
    # 获取指定文件夹中的音频文件列表
    audio_files = []
    for filename in os.listdir(audio_folder):
        if filename.endswith(".mp3") or filename.endswith(".wav"):
            audio_files.append(os.path.join(audio_folder, filename))

    # 按文件名排序
    audio_files.sort()

    # 创建临时帧文件夹
    temp_frames_folder = "temp_frames"
    os.makedirs(temp_frames_folder, exist_ok=True)

    # 生成带文件名的图片帧
    for index, audio_file in enumerate(audio_files):
        name = os.path.splitext(os.path.basename(audio_file))[0]
        image_path = os.path.join(temp_frames_folder, f"{index+1:06d}.jpg")
        # FFmpeg生成带文字的单帧图片
        ffmpeg_cmd = f'ffmpeg -y -f lavfi -i color=c=white:s=720x480:d=1 -vf "drawtext=text=\'{name}\':fontcolor=black:fontsize=36:x=(w-text_w)/2:y=(h-text_h)/2" -vframes 1 "{image_path}"'
        subprocess.run(ffmpeg_cmd, shell=True, check=True)

    # 重新编码音频为AAC双声道
    reencoded_audio_folder = "reencoded_audio"
    os.makedirs(reencoded_audio_folder, exist_ok=True)
    reencoded_audio_list = []
    for index, audio_file in enumerate(audio_files):
        reencoded_audio_file = os.path.join(reencoded_audio_folder, f"{index:03d}.m4a")
        # 强制双声道输出，确保音频为立体声
        ffmpeg_cmd = f'ffmpeg -y -i "{audio_file}" -c:a aac -ac 2 "{reencoded_audio_file}"'
        subprocess.run(ffmpeg_cmd, shell=True, check=True)
        reencoded_audio_list.append(reencoded_audio_file)

    # 生成图片帧列表文件（使用重编码后的音频时长）
    image_names_path = "image_names.txt"
    with open(image_names_path, "w") as file:
        for index, audio_file in enumerate(reencoded_audio_list):
            image_path = os.path.join(temp_frames_folder, f"{index+1:06d}.jpg")
            duration = get_audio_duration(audio_file)
            file.write(f"file '{image_path}'\nduration {duration}\n")
        # 最后一行额外添加一次最后一张图片，避免concat截断问题
        file.write(f"file '{os.path.join(temp_frames_folder, f'{len(reencoded_audio_list):06d}.jpg')}'\n")

    # 生成重编码音频列表文件
    reencoded_audio_names_path = "reencoded_audio_names.txt"
    with open(reencoded_audio_names_path, "w") as file:
        for audio_file in reencoded_audio_list:
            file.write(f"file '{audio_file}'\n")

    # 合成最终视频
    ffmpeg_cmd = f'ffmpeg -y -f concat -safe 0 -i "{image_names_path}" -f concat -safe 0 -i "{reencoded_audio_names_path}" -c:v libx264 -pix_fmt yuv420p -vf "scale=720:480:force_original_aspect_ratio=increase,crop=720:480" -c:a aac -async 1 "{output_path}"'
    subprocess.run(ffmpeg_cmd, shell=True, check=True)

    # 清理临时文件
    os.remove(image_names_path)
    os.remove(reencoded_audio_names_path)
    for image_file in os.listdir(temp_frames_folder):
        os.remove(os.path.join(temp_frames_folder, image_file))
    os.rmdir(temp_frames_folder)
    for audio_file in os.listdir(reencoded_audio_folder):
        os.remove(os.path.join(reencoded_audio_folder, audio_file))
    os.rmdir(reencoded_audio_folder)

def get_audio_duration(audio_file):
    # 使用FFprobe获取音频时长
    ffprobe_cmd = f'ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1:nokey=1 "{audio_file}"'
    result = subprocess.run(ffprobe_cmd, shell=True, capture_output=True, text=True, check=True)
    return float(result.stdout.strip())

# 使用示例
audio_folder = "C:/Users/Admin/Desktop/Sounds"
output_path = "C:/Users/Admin/Desktop/output.mp4"
create_combined_video(audio_folder, output_path)

关键修改点说明 #

1. 强制双声道编码：在音频重编码命令中添加-ac 2参数，强制输出立体声格式，彻底解决单声道问题。
2. 对齐音视频时长：改用重编码后的音频时长生成视频帧的duration参数，避免源音频与重编码音频的时长偏差；在图片帧列表末尾额外添加一次最后一张图片，解决FFmpeg concat协议对最后一帧的截断问题。
3. 优化合成同步逻辑：将-shortest替换为-async 1，强制音频与视频同步，避免音频被提前截断；为subprocess.run()添加check=True，确保命令执行出错时及时抛出异常，便于调试。
4. 清理冗余代码：移除未使用的audio_names.txt生成逻辑，简化脚本结构。

内容的提问来源于stack exchange，提问作者iiDk