4、音频转码与重采样：常用音频编码器(aac/mp3)、采样率转换(-ar)、声道布局(-ac)、音频质量(-q:a)

音频处理这块，说实话比视频要「温柔」一些。没有那么多关键帧、GOP 的复杂概念，但坑一点都不少。我刚开始用 FFmpeg 做音频转码时，觉得不就是换个格式嘛，结果出来的文件要么没声音，要么音质差得离谱，要么播放器直接不认。

这一章，咱们就把音频转码和重采样彻底捋清楚。你掌握了这些，后面做分段拼接时，音频流才能稳稳当当不出幺蛾子。

4.1 音频编码器选型：AAC vs MP3

做音频转码，第一步就是选编码器。目前最主流的两个就是 AAC 和 MP3。我个人的习惯是：能用 AAC 就不用 MP3，除非有特殊的兼容性要求。

特性	AAC (Advanced Audio Coding)	MP3 (MPEG-1 Audio Layer 3)
编码效率	同等码率下音质更好	稍逊于 AAC
采样率支持	8 kHz ~ 96 kHz	16 kHz ~ 48 kHz
声道支持	最多 48 声道	最多 2 声道（立体声）
容器兼容性	MP4, MKV, FLV 等	几乎所有容器都支持
FFmpeg 编码器	`aac` (原生), `libfdk_aac` (第三方)	`libmp3lame` (推荐), `mp3` (原生)

我的建议：如果你在 FFmpeg 里编译了 libfdk_aac，优先用它。它是目前公认质量最好的 AAC 编码器。如果没有，用原生的 aac 编码器也完全够用，注意加 -strict -2 参数（老版本需要）。

MP3 呢？说实话，现在除了某些老旧设备或特定广播场景，我基本不碰了。但如果你必须输出 MP3，记得用 libmp3lame，原生 MP3 编码器质量一般。

4.2 采样率转换：-ar 参数

采样率，说白了就是一秒钟采集多少个声音样本。44100 Hz 是 CD 音质，48000 Hz 是 DVD/视频常用标准。为什么要转采样率？

统一标准：分段拼接时，所有片段的采样率必须一致，否则拼接时会报错或出现音频不同步。
降低体积：语音类内容（比如播客、讲课），22050 Hz 甚至 16000 Hz 就够用了，没必要用 44100 Hz。
兼容性：某些播放器或平台只支持特定采样率。

FFmpeg 里用 -ar 参数指定输出采样率：

# 将音频采样率从 44100 Hz 转换为 16000 Hz
ffmpeg -i input.mp3 -ar 16000 output.wav

# 转码的同时转换采样率
ffmpeg -i input.mp4 -c:v copy -c:a aac -ar 48000 output.mp4

注意：采样率转换不是简单的「抽点」或「插点」。FFmpeg 内部会使用重采样器（swresample）进行高质量的插值滤波。但如果你从低采样率转高采样率（比如 8000 Hz -> 48000 Hz），并不会增加实际信息量，只是「注水」而已。我曾经犯过这个错，以为转高了音质会变好，结果只是文件变大了。

4.3 声道布局：-ac 参数

声道布局，就是声音是单声道、立体声还是 5.1 环绕声。用 -ac 参数指定输出声道数。

常见的场景：

立体声转单声道：语音类内容，左右声道一样，合并成单声道能省一半体积。
单声道转立体声：复制一份到右声道，没什么实际意义，但某些播放器强制要求立体声。
5.1 转立体声：向下混音（downmix），把环绕声混合成左右声道。

# 立体声转单声道（取平均）
ffmpeg -i input.mp3 -ac 1 output_mono.mp3

# 单声道转立体声（复制）
ffmpeg -i input_mono.wav -ac 2 output_stereo.wav

# 5.1 环绕声转立体声
ffmpeg -i input_5_1.mp4 -c:v copy -c:a aac -ac 2 output_stereo.mp4

嗯，这里有个细节。FFmpeg 默认的向下混音算法是 average，也就是把多个声道平均混合。但有时候你会觉得声音变小了，或者某些声道丢失了。这时候可以指定混音矩阵：

# 使用特定的混音矩阵（左声道保留，右声道丢弃）
ffmpeg -i input.mp3 -af "pan=mono|c0=FL" output_mono.wav

我个人建议，除非你很清楚自己在做什么，否则直接用 -ac 1 或 -ac 2 就好，FFmpeg 的默认行为在大多数情况下是合理的。

4.4 音频质量控制：-q:a 参数

视频有 -crf，音频也有类似的质量控制参数——-q:a。但注意，这个参数在不同编码器下的含义完全不同。

编码器	-q:a 取值范围	说明
libmp3lame	0 ~ 9	0 最好，9 最差。通常用 2 ~ 5
aac (原生)	0.1 ~ 10	值越小质量越好。通常用 2 ~ 5
libfdk_aac	1 ~ 5	1 最好，5 最差。通常用 3 或 4

举个例子：

# MP3 高质量（VBR，可变码率）
ffmpeg -i input.wav -c:a libmp3lame -q:a 2 output.mp3

# AAC 高质量
ffmpeg -i input.wav -c:a aac -q:a 2 output.m4a

# libfdk_aac 高质量
ffmpeg -i input.wav -c:a libfdk_aac -q:a 3 output.m4a

  核心原则：不要用 -b:a（固定码率）来控制质量，除非你有明确的码率限制（比如直播推流）。用 -q:a 让编码器自己决定什么时候用高码率、什么时候用低码率，效率更高，音质也更好。

我曾经在做一个播客平台的后处理脚本时，一开始全部用 -b:a 128k 固定码率。结果发现，有些安静的段落码率浪费严重，有些复杂的段落又不够用。后来换成 -q:a 2，文件体积平均小了 20%，听感反而更好了。

4.5 综合实战：音频转码与重采样

把上面几个知识点串起来，一个典型的音频转码命令长这样：

# 输入：任意格式 -> 输出：AAC, 48000 Hz, 立体声, 高质量
ffmpeg -i input.mp4 \
  -c:v copy \
  -c:a aac \
  -ar 48000 \
  -ac 2 \
  -q:a 2 \
  output.mp4

如果你在做分段拼接前的预处理，我建议统一做一次音频标准化：

# 统一音频参数，方便后续拼接
ffmpeg -i segment1.mp4 \
  -c:v copy \
  -c:a aac \
  -ar 44100 \
  -ac 2 \
  -q:a 3 \
  -af "volume=1.5" \
  segment1_normalized.mp4

这里 -af "volume=1.5" 是音频滤镜，把音量放大 1.5 倍。为什么要做这个？因为不同来源的片段音量可能不一样，拼接起来忽大忽小，体验很差。

4.6 知识体系：音频转码核心流程

下面这张图，帮你把音频转码的决策路径理清楚：

你看，整个流程其实就是一个决策链：选编码器 -> 定采样率 -> 定声道 -> 定质量。每一步都有明确的参数对应，只要按这个顺序来，基本不会出错。

4.7 避坑指南

最后，分享几个我踩过的坑：

采样率不统一导致拼接失败：我曾经在拼接 10 个视频片段时，有一个片段的音频是 22050 Hz，其他都是 44100 Hz。FFmpeg 直接报错退出。从那以后，我所有预处理脚本里都强制加上了 -ar 44100。
声道数不匹配导致无声：有一次我把一个 5.1 声道的视频转成双声道，但忘记加 -ac 2，结果输出文件在普通播放器上只有左右声道有声音，中置和环绕全丢了。
质量参数用错：用 libmp3lame 时，-q:a 0 是最好，但用 aac 原生编码器时，-q:a 0 反而最差。这个坑我至少犯了两次。

嗯，音频转码这块，说白了就是参数组合要记牢，流程要标准化。你只要把上面这张图刻在脑子里，以后遇到任何音频转码需求，都能快速搞定。

📚 课程目录

4、音频转码与重采样：常用音频编码器(aac/mp3)、采样率转换(-ar)、声道布局(-ac)、音频质量(-q:a)

4.1 音频编码器选型：AAC vs MP3

4.2 采样率转换：-ar 参数

4.3 声道布局：-ac 参数

4.4 音频质量控制：-q:a 参数

4.5 综合实战：音频转码与重采样

4.6 知识体系：音频转码核心流程

4.7 避坑指南