使用Spleeter分离MP4视频为人声和伴奏后输出时长不一致如何解决

问题原因 #

Spleeter默认调用FFmpeg对输入文件解码时，直接处理MP4等带视频封装的文件容易出现适配问题：比如MP4内置音轨为可变比特率(VBR)、音轨元数据标识错误、FFmpeg默认丢弃末尾无音轨的空白帧等，都会导致最终输出音频被截断。

解决步骤 #

• 第一步：提前从MP4中抽取无损音轨，规避直接解码视频文件的兼容问题
  使用FFmpeg执行以下命令：
  ffmpeg -i "[你的MP4文件路径].mp4" -vn -acodec pcm_s16le -ar 44100 -ac 2 "[临时保存WAV路径].wav"
  该命令会直接抽出16bit、44.1kHz采样率的双声道无损WAV音频，完全匹配Spleeter的输入要求，不会出现解码丢帧。
• 第二步：使用抽取后的WAV文件作为输入执行Spleeter分离
  运行以下命令，额外添加-d 0参数强制处理完整音频时长，避免Spleeter自动截断：
  spleeter separate "[临时WAV路径].wav" -p spleeter:2stems -d 0 -o "[输出文件夹路径]"
-d 0参数代表处理完整音频，如果你明确知道原文件时长，也可以替换为对应秒数，比如13分钟对应-d 780
• 第三步：如果问题仍未解决，依次排查以下异常：
  • 删除本地Spleeter缓存目录（通常为用户根目录下的.spleeter文件夹），重新下载模型文件避免模型损坏导致的截断
  • 升级FFmpeg到最新稳定版，旧版本FFmpeg对部分特殊封装的MP4音轨解码存在丢帧Bug

内容的提问来源于stack exchange，提问作者敬錞 潘