如何使用FFmpeg库按指定时间线合并多段音频（含静音间隔）

场景1：指定每段音频的绝对开始时间 #

如果需要让每段音频在固定的绝对时间点启动播放（比如audio1在0秒、audio2在12秒、audio3在25秒），可以通过filter_complex结合延迟滤镜和静音基底来实现：

ffmpeg -i audio1.mp3 -i audio2.mp3 -i audio3.mp3 \
-filter_complex "
# 生成足够长的静音作为基底，时长要覆盖所有音频的结束时间
anullsrc=channel_layout=stereo:sample_rate=44100:d=30 [base];
# 给每个音频设置延迟（毫秒），立体声需写两个值（左右声道）
[0:a] adelay=0|0 [a1];
[1:a] adelay=12000|12000 [a2];
[2:a] adelay=25000|25000 [a3];
# 依次将延迟后的音频混合到静音基底上
[base][a1] amix=inputs=2:duration=longest [tmp1];
[tmp1][a2] amix=inputs=2:duration=longest [tmp2];
[tmp2][a3] amix=inputs=2:duration=longest [out]
" -map "[out]" output.mp3

参数说明 #

• anullsrc：生成静音轨道，d=30需设置为大于「最晚结束的音频的开始时间+自身时长」的值；channel_layout和sample_rate要和你的音频保持一致。
• adelay=X|X：X为延迟毫秒数，单声道只需写一个值（如adelay=12000）。
• amix：将多个音频轨道混合，duration=longest确保输出时长覆盖所有音频的播放周期。

场景2：前一段结束后填充指定静音再播放下一段 #

如果需求是“播放完一段音频后，等待N秒静音再启动下一段”（比如audio1播放完→2秒静音→audio2播放→3秒静音→audio3播放），可以用concat滤镜实现：

方法1：生成静音文件后拼接 #

1. 先生成对应时长的静音文件：

# 生成2秒立体声静音（采样率44100）
ffmpeg -f lavfi -i anullsrc=channel_layout=stereo:sample_rate=44100:d=2 silence_2s.mp3
# 生成3秒立体声静音
ffmpeg -f lavfi -i anullsrc=channel_layout=stereo:sample_rate=44100:d=3 silence_3s.mp3

2. 创建一个concat.txt，按顺序列出要拼接的文件：

file 'audio1.mp3'
file 'silence_2s.mp3'
file 'audio2.mp3'
file 'silence_3s.mp3'
file 'audio3.mp3'

3. 执行拼接命令：

ffmpeg -f concat -safe 0 -i concat.txt -c copy output.mp3

方法2：直接在滤镜链内完成（无需单独静音文件） #

ffmpeg -i audio1.mp3 -i audio2.mp3 -i audio3.mp3 \
-filter_complex "
# 生成需要的静音片段
anullsrc=channel_layout=stereo:sample_rate=44100:d=2 [s2];
anullsrc=channel_layout=stereo:sample_rate=44100:d=3 [s3];
# 按顺序拼接所有音频和静音片段
[0:a][s2][1:a][s3][2:a] concat=n=5:v=0:a=1 [out]
" -map "[out]" output.mp3

重要注意事项 #

• 所有参与拼接/混合的音频必须保持相同的采样率、声道数、编码格式，否则会出现异常。如果参数不一致，先统一：

  # 将音频转为立体声44100采样率
  ffmpeg -i input.mp3 -ac 2 -ar 44100 output_norm.mp3
  

• 如果音频音量差异大，可添加volume滤镜调整，比如[0:a] volume=1.2 [a1]。

内容的提问来源于stack exchange，提问作者itsMU1X