如何用FFmpeg给WAV音频首尾添加静音以扩展时长？

要为a.wav首尾各添加1.945秒静音，直接用FFmpeg的concat滤镜结合anullsrc生成静音即可，无需单独生成中间文件：

1. 匹配原音频参数 #

静音的采样率、通道数必须和原音频一致，执行以下命令获取参数：

ffprobe -v error -select_streams a:0 -show_entries stream=sample_rate,channels -of csv=p=0 a.wav

输出类似44100,1，代表44100Hz采样率、单通道。

2. 执行拼接命令 #

把获取到的参数代入，以44100Hz单通道为例：

ffmpeg -i a.wav -f lavfi -i "anullsrc=channel_layout=mono:sample_rate=44100:d=1.945" -filter_complex "[1:a][0:a][1:a]concat=n=3:v=0:a=1" extended_a.wav

• [1:a]是生成的静音段，[0:a]是原音频，concat=n=3按「静音→原音频→静音」顺序拼接
• 最终输出时长为1.945+9.432+1.945=13.322秒，和目标13.321秒的误差是浮点计算导致，可忽略。

FFmpeg本身不具备TTS生成能力，但可以配合外部TTS工具（如eSpeak、自定义AI模型）生成的音频片段，按照字幕时间轴拼接成完整音频，流程如下：

1. 解析字幕时间轴 #

从srt/vtt中提取每个字幕的开始时间、结束时间、文本内容，计算出：

• 开头静音时长（从0到第一个字幕的开始时间）
• 每个字幕的时长（结束时间-开始时间）
• 字幕间的间隔静音时长（下一个字幕开始时间-上一个字幕结束时间）
• 结尾静音时长（可选）

2. 生成并调整TTS片段 #

用TTS工具将每个字幕文本转为音频，若TTS时长和字幕时长不匹配，用FFmpeg调整：

• 变速（范围0.5-2.0，超范围可叠加多个atempo）：

  ffmpeg -i clip1.wav -filter:a "atempo=1.2" adjusted_clip1.wav
  

• 补静音（比如给片段补0.3秒静音）：

  ffmpeg -i clip1.wav -f lavfi -i "anullsrc=channel_layout=mono:sample_rate=44100:d=0.3" -filter_complex "[0:a][1:a]concat=n=2:v=0:a=1" adjusted_clip1.wav
  

3. 拼接所有片段 #

如果片段不多，直接用concat滤镜拼接：

ffmpeg -f lavfi -i "anullsrc=channel_layout=mono:sample_rate=44100:d=1" -i adjusted_clip1.wav -f lavfi -i "anullsrc=channel_layout=mono:sample_rate=44100:d=1.5" -i adjusted_clip2.wav -filter_complex "[0:a][1:a][2:a][3:a]concat=n=4:v=0:a=1" full_tts_audio.wav

片段较多的话，用文件列表更方便：

1. 创建audio_list.txt：

file 'silence_start.wav'
file 'adjusted_clip1.wav'
file 'silence_gap.wav'
file 'adjusted_clip2.wav'
file 'silence_end.wav'

2. 执行拼接：

ffmpeg -f concat -safe 0 -i audio_list.txt -c copy full_tts_audio.wav

内容的提问来源于stack exchange，提问作者Furkan Gözükara