如何使用Python为音频文件设置全程固定音量，解决音量不均问题？

常规pydub normalize功能基于整段音频的峰值调整增益，会被高音量的1号说话人片段限制增益上限，无法单独抬高低音量的2号说话人内容，这是此前方案无效的核心原因。

方案1：说话人分离后单独归一化（效果最优） #

• 第一步使用预训练的说话人分离工具将音频中1号、2号说话人的内容按时间轴拆分，可选工具包括pyannote.audio预训练模型、SpeechBrain分离模块，或轻量工具whisperx
• 第二步对拆分后的1号说话人音频做峰值限制，统一调整到-16LUFS的标准对话响度
• 第三步对拆分后的2号说话人音频做响度归一化，拉高到和1号说话人相同的响度水平
• 最后将两段处理后的音频按原始时间轴对齐合并即可

方案2：动态范围压缩快速处理（无需分离说话人） #

如果不需要最优效果，可以直接用音频压缩器压减动态范围，同时拉高低音量片段增益，pydub调用ffmpeg滤镜的示例代码如下：

from pydub import AudioSegment

# 读取原始音频
raw_audio = AudioSegment.from_file("your_audio_file.wav")
# 调用ffmpeg的acompressor滤镜，阈值-20dB，压缩比4:1，压低高音量峰值
compressed_audio = raw_audio.filter(
    "acompressor",
    threshold=-20,
    ratio=4,
    attack=10,
    release=200
)
# 对压缩后的音频做整体响度归一化
final_audio = compressed_audio.normalize()
# 导出处理后文件
final_audio.export("processed_audio.wav", format="wav")

如果2号说话人音量仍然偏低，可以在压缩后额外增加增益，将平均响度低于-30dB的非静音片段单独提升10-15dB，注意不要过度拉高背景噪声。

方案3：自定义分段增益调整 #

你也可以自己实现小片段扫描逻辑，针对性调整低音量片段增益：

• 将整段音频按100ms为单位拆分为多个小片段
• 计算每个小片段的平均响度，筛选出响度低于-30dB的非静音片段（对应2号说话人内容）
• 对筛选出的片段计算需要提升的增益，拉高到和整段音频平均响度一致的水平
• 增益调整时对片段首尾加5ms的淡入淡出，避免出现爆音问题

内容的提问来源于stack exchange，提问作者Nutan Haq