我来帮你搞定这个问题，先拆解下你遇到的两个错误，再给你能直接用的正确命令：

第一个命令的错误原因 #

你第一次调用的concat滤镜参数逻辑有误：

• concat=n=3是错的，你要合并的是两段内容（图片+音频为第一段，视频为第二段），所以n应该设为2
• concat滤镜的输入顺序必须严格遵循[视频流1][音频流1][视频流2][音频流2]的规则，你之前只传入了视频的视频流（[vid1]），没带视频的音频流，还打乱了顺序，导致视频流被误接到音频输入口，才触发了媒体类型不匹配的报错。

第二个命令的错误原因 #

报错No such filter: ' '是因为你在-filter_complex的参数里，换行后的多余空格被FFmpeg当成了无效滤镜名称。另外你引入的anullsrc完全没必要，我们直接用视频自带的音频流就行，只要提前统一好参数避免冲突。

正确的FFmpeg命令 #

这个命令完美匹配你的需求：前10秒显示图片并播放音频，之后无缝切换到视频，同时统一了分辨率、音频参数，避免兼容性问题：

ffmpeg \
-loop 1 -framerate 24 -t 10 -i item1.jpg \
-i "https://audio-ssl.itunes.apple.com/apple-assets-us-std-000001/Music/66/58/f7/mzi.eoocfriy.aac.p.m4a" \
-i item4.mp4 \
-filter_complex "
[0]scale=432:432,setsar=1,format=yuv420p[img_v];
[1]aformat=sample_fmts=fltp:sample_rates=48000:channel_layouts=5.1[img_a];
[2:v]scale=432:432,setsar=1,format=yuv420p[vid_v];
[2:a]aformat=sample_fmts=fltp:sample_rates=48000:channel_layouts=5.1[vid_a];
[img_v][img_a][vid_v][vid_a]concat=n=2:v=1:a=1[v][a]
" \
-map "[v]" -map "[a]" -c:v libx264 -c:a aac outputfile.mp4

关键参数解释 #

• [0]scale=432:432,setsar=1,format=yuv420p[img_v]：将图片缩放到432x432，设置像素宽高比为1，统一视频格式为yuv420p（兼容绝大多数播放器）
• [1]aformat=...[img_a]：把音频转换成和视频音频一致的参数（采样率48000Hz、5.1声道），避免concat时因音频参数不匹配报错
• [2:v]scale=432:432...[vid_v]：将视频缩放到和图片一致的分辨率，保证画面衔接流畅
• [img_v][img_a][vid_v][vid_a]concat=n=2:v=1:a=1[v][a]：按正确顺序合并两段内容，输出合并后的视频流和音频流
• -map "[v]" -map "[a]"：指定输出使用合并后的媒体流
• -c:v libx264 -c:a aac：使用通用编码器，确保输出视频的兼容性

额外提示 #

如果你的音频时长超过10秒，-t 10会自动截断音频到10秒，和图片时长匹配；如果音频不足10秒，图片会在音频结束后继续显示到10秒。

内容的提问来源于stack exchange，提问作者huynq9