使用ffmpeg实现音频静音修剪

本文介绍: Ffmpeg 应该是 FFmpeg 工具集中最核心的利器，支持多种多样的编码器、解码器、封装格式、滤镜功能。FFmpeg框架的基本组成包含AVFormat、AVCodec、AVFilter、AVDevice、AVUtil等模块库，结构图如下：

1 silenceremove介绍

本文主要介绍在 FFmpeg 命令中使用 silenceremove filter 进行音频静音的修剪。

1.1 start_x参数

参数名	说明	取值范围	默认值
start_periods	设置是否应在音频开头修剪音频。`0` 表示不应从一开始就修剪静音。当指定一个非 `0` 值时，它会修剪音频直到找到非静音。通常，当从音频的开头修剪静音时，start_periods 将为 1，但它可以增加到更高的值，以将所有音频修剪到非静音周期的特定计数。	0 ~ 9000	0
start_duration	设置停止修剪音频之前必须检测到的非静音时长。通过加大该时长，可以将突发的噪音视为静音并进行修剪。（注意，一般使该值保持为 `0`，否则会有副作用。）	0 ~ INT32_MAX（注意：传参可用多种格式）	0
start_threshold	设置应将哪些样本值视为静音。对于数字音频，值 `0` 可能没问题，但对于从模拟信号录制的音频，可能希望增加该值以考虑背景噪音。可以以 `dB` 为单位指定（“dB”附加到值后面）或幅度比(amplitude ratio, 比如 0.001 实际上等价于 -60dB)。	0 ~ DBL_MAX	0
start_silence	设置在修剪后保留的最大静音时长。默认值为 0，这等于修剪所有检测为静音的样本。	0 ~ INT32_MAX（注意：传参可用多种格式）	0
start_mode	指定多声道音频开始处检测静音结束的模式。可以是 `any` 或 `all`。默认为 `any`, 表示对于任一声道被检测到非静音的样本都将导致停止修剪静音。对于 `all`，则当所有通道都被检测为非静音时，才会导致停止修剪静音。	any/all	any

start_periods 决定了其他参数是否有效。
时长(duration)格式见：the Time duration section

1.2 stop_x 参数

参数名	说明	取值范围	默认值
stop_periods	设置从音频结尾开始修剪静音的计数。要从文件中间删除静音则指定为负值。负值将值视为正值并且像 `start_periods` 那样重新开始处理，使其适用于消除音频中间的静音时间段。	-9000 ~ 9000	0
stop_duration	指定在不再复制(Copy，FFmpeg 内部处理模式分为裁剪(Trim)和复制(Copy)。)音频之前必须存在的静音时长。通过加大该时长，可以在音频中保留所需的静音。（注意，一般使该值保持为 `0`，否则会有副作用。）	0 ~ INT32_MAX（注意：传参可用多种格式）	0
stop_threshold	类似于 `start_threshold`，但用于从音频末尾修剪静音。	0 ~ DBL_MAX	0
stop_silence	类似于 `start_silence`。	0 ~ INT32_MAX（注意：传参可用多种格式）	0
stop_mode	指定多声道音频结尾处检测静音结束的模式。可以是 `any` 或 `all`。默认为 `any`, 表示对于任一声道被检测到非静音的样本都将导致停止修剪。对于 `all`，则当所有通道都被检测为非静音时，才会导致停止修剪。	any/all	any

stop_silence 决定了其他参数是否有效。

1.3 其他参数

参数名	说明	取值范围	默认值
detection	指定音量的计算方式。`rms` 表示使用均方根值(RMS)计算， `peak` 表示使用幅度值(amplitude)计算。	rms/peak	rms
window	指定使用滑动窗口计算音量的窗口大小。单位为秒。由 `detection` 决定计算方式。	0 ~ 10	0.02

2 silenceremove使用

使用 Audition 之类的软件录制一段音频，然后将背景噪音用静音替换。

2.1 移除首部第一个静音段

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=1:start_duration=0.2:start_threshold=-50dB:detection=peak" -ar 44100 -ac 2 -b:a 96k "Test-RemoveSilence01_01.ogg" -y

参数说明：

start_periods=1: 移除首部第一个静音段
start_duration=0.2: 如果遇见超过 0.2 秒的非静音数据则停止移除。
start_threshold=-50dB: 音量不超过 -50dB 认为是静音。
detection=peak: 使用幅度值(amplitude)计算音量。

结果展示：

2.2 移除首部第一个静音段，但保留 0.5s 的静音

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:start_silence=0.5:detection=peak" -ar 44100 -ac 2 -b:a 96k "Test-RemoveSilence02_01.ogg" -y

参数说明：

start_periods=1: 移除首部第一个静音段
start_duration=0: 只要遇见静音就立即停止移除。
start_threshold=-50dB: 音量不超过 -50dB 认为是静音。
start_silence=0.5: 首部保留 0.5 秒的静音。
detection=peak: 使用幅度值(amplitude)计算音量。

2.3 移除首部前三个静音段

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=3:start_duration=0.38:start_threshold=-50dB:detection=peak" -ar 44100 -ac 2 -b:a 96k "Test-RemoveSilence03_01.ogg" -y

参数说明：

start_periods=3: 移除首部前三个静音段
start_duration=3.8: 如果遇见超过 0.38 秒的非静音数据则停止移除。注意不要设置过小，否则会快速消耗掉 start_periods。
start_threshold=-50dB: 音量不超过 -50dB 认为是静音。
detection=peak: 使用幅度值(amplitude)计算音量。

2.4 移除尾部第一个静音段

直接使用 stop_periods 试验未成功。采取两次翻转的低效方式。首先翻转并移除首部（也就是翻转之前的尾部）静音，然后再翻转回来。

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "areverse,silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:detection=peak,areverse" -ar 44100 -ac 2 "Test-RemoveSilence04_01.wav" -y

问题：areverse 版生成 ogg 文件有警告：[libvorbis @ 0x14f025400] Queue input is backward in time。Audition 打开也提示有错。原因暂未知。改为输出 wav 没问题。

参数说明：

areverse: 翻转音频。
其他: 略。

结果展示：

如下代码设置 stop_periods 为 1 不成功，-1 则文件中间的静音也被移除。

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=stop_periods=-1:stop_duration=0:stop_threshold=-50dB:detection=peak" -ar 44100 -ac 2 -b:a 96k "Test-RemoveSilence04_02.ogg" -y

2.5 移除首部第一个和尾部第一个静音段

不使用 stop_periods 的原因同 4。

首先移除首部静音，翻转并再次移除首部（也就是翻转之前的尾部）静音，最后再翻转回来。

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:detection=peak,areverse,silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:detection=peak,areverse" -ar 44100 -ac 2 "Test-RemoveSilence05_01.wav" -y

问题：areverse 版生成 ogg 文件有警告：[libvorbis @ 0x14f025400] Queue input is backward in time。Audition 打开也提示有错。原因暂未知。改为输出 wav 没问题。

参数说明：

areverse: 翻转音频。
其他: 略。

结果展示：

2.6 移除首尾和中间的静音段

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=stop_periods=-1:stop_duration=0:stop_threshold=-50dB:detection=peak" -ar 44100 -ac 2 -b:a 96k "Test-RemoveSilence06_01.ogg" -y

参数说明:

stop_periods=-1: 移除首尾和中间的静音段。
其他: 略。

结果展示：

不管是首尾还是中间的移除都不是很干净。改用如下参数：

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:stop_periods=-1:stop_duration=0:stop_threshold=-50dB:detection=peak" -ar 44100 -ac 2 -b:a 96k "Test-RemoveSilence06_02.ogg" -y

结果展示：

首尾和中间干净了，尾部依然不够干净。改用如下参数：

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:stop_periods=-1:stop_duration=0:stop_threshold=-50dB:detection=peak,areverse,silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:detection=peak,areverse" -ar 44100 -ac 2 "Test-RemoveSilence06_03.wav" -y

问题：areverse 版生成 ogg 文件有警告：[libvorbis @ 0x14f025400] Queue input is backward in time。Audition 打开也提示有错。原因暂未知。改为输出 wav 没问题。

首尾和中间依然干净，但尾部依然还是有一丝丝不干净，不过也勉强能够接受。

2.7 移除首尾和中间的静音段，并使得首部稍有静音

如果要在首尾保留 0.5 秒的静音：

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:start_silence=0.5:stop_periods=-1:stop_duration=0:stop_threshold=-50dB:detection=peak,areverse,silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:start_silence=0.5:detection=peak,areverse" -ar 44100 -ac 2 "Test-RemoveSilence07_01.wav" -y

问题：areverse 版生成 ogg 文件有警告：[libvorbis @ 0x14f025400] Queue input is backward in time。Audition 打开也提示有错。原因暂未知。改为输出 wav 没问题。

除了首部，中间也多了0.5 秒的静音，并且结尾处并不是很完美。

2.8 移除首尾和中间的静音段，并使得中间适当保留静音且首部稍有静音

中间的静音超过 1.5 秒则移除并且保留 1.5 秒；头部保留 0.5 秒静音；尾部不保留静音。第一次使用 silenceremove 会在首部保留 1.5 秒，第二次使用 silenceremove 能够将首部静音缩减为 0.5 秒。

ffmpeg -hide_banner -loglevel warning -i "Test.wav" -filter_complex "silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:start_silence=1.5:stop_periods=-1:stop_duration=0:stop_threshold=-50dB:stop_silence=1.5:detection=peak,silenceremove=start_periods=1:start_duration=0:start_threshold=-50dB:start_silence=0.5:detection=peak"  -ar 44100 -ac 2 "Test-RemoveSilence08_01.wav" -y

start_silence 和 stop_silence 都需要设置为 1.5;

如果提供了 start_duration 和 stop_duration 参数则需要设置为 0。

除了尾部稍有不净，基本能达到目的。

该方法不适用于首部保留静音比中间保留静音多的情况，也不适用于尾部稍微保留静音的情况。

3 FFmpeg介绍

FFmpeg项目由 Fabrice Bellard在2000年创立。到目前为止，FFmpeg项目的开发者仍然与VLC、MPV、dav1d、x264等多媒体开源项目有着广泛的重叠。Ffmpeg（FastForward Mpeg）是一款遵循GPL的开源软件，在音视频处理方面表现十分优秀，几乎囊括了现存所有的视音频格式的编码，解码、转码、混合、过滤及播放。作为最受欢迎的视频和图像处理软件，它被来自各行各业的不同公司所广泛使用。同时也是一款跨平台的软件，完美兼容Linux、Windows、Mac OSX等平台。其实它由3大部件组成，号称音视频处理工具三剑客：

Ffmpeg：由命令行组成，用于多媒体格式转换
Ffplay：基于ffmpeg开源代码库libraries做的多媒体播放器
Ffprobe：基于ffmpeg做的多媒体流分析器

Ffmpeg 应该是 FFmpeg 工具集中最核心的利器，支持多种多样的编码器、解码器、封装格式、滤镜功能。FFmpeg框架的基本组成包含AVFormat、AVCodec、AVFilter、AVDevice、AVUtil等模块库，结构图如下：

AVFormat–FFmpeg的封装模块

AVFormat中实现了目前多媒体领域中的绝大多数媒体封装格式，包括封装和解封装，如MP4、FLV、KV、TS等文件封装格式，RTMP、RTSP、MMS、HLS等网络协议封装格式。FFmpeg是否支持某种媒体封装格式，取决于编译时是否包含了该格式的封装库。根据实际需求，可进行媒体封装格式的扩展，增加自己定制的封装格式，即在AVFormat中增加自己的封装处理模块。

AVCodec–FFmpeg的编解码模块

AVCodec中实现了目前多媒体领域绝大多数常用的编解码格式，即支持编码，也支持解码。AVCodec除了支持MPEG4、AAC、MJPEG等自带的媒体编解码格式之外，还支持第三方的编解码器，如H.264（AVC）编码，需要使用x264编码器；H.265（HEVC）编码，需要使用x264编码器；MP3（mp3lame）编码，需要使用libmp3lame编码器。如果希望增加自己的编码格式，或者硬件编解码，则需要在AVCodec中增加相应的编解码模块。

AVFilter–FFmpeg的滤镜模块

AVFilter库提供了一个通用的音频、视频、字幕等滤镜处理框架。在AVFilter中，滤镜框架可以有多个输入和多个输出。

swresample–FFmpeg的音频转换计算模块

swresample模块提供了高级别的音频重采样API。例如允许操作音频采样、音频通道布局转换与布局调整。

swscale–FFmpeg的视频图像转换计算模块

swscale模块提供了高级别的图像转换API，例如它允许进行图像缩放和像素格式转换，常见于将图像从1080p转换成720p或者480p等的缩放，或者将图像数据从YUV420p转换成YUYV，或者YUV转RGB等图像格式转换。

4 FFmpeg常用参数

4.1 能力集列表

-formats：列出支持的文件格式。
-codecs：列出支持的编解码器。
-decoders：列出支持的解码器。
-encoders：列出支持的编码器。
-protocols：列出支持的协议。
-bsfs：列出支持的比特流过滤器。
-filters：列出支持的滤镜。
-pix_fmts：列出支持的图像采样格式。
-sample_fmts：列出支持的声音采样格式。

4.2 常用输入选项

-i filename：指定输入文件名。
-f fmt：强制设定文件格式，需使用能力集列表中的名称（缺省是根据扩展名选择的）。
-ss hh:mm:ss[.xxx]：设定输入文件的起始时间点，启动后将跳转到此时间点然后开始读取数据。

对于输入，以下选项通常是自动识别的，但也可以强制设定。

-c codec：指定解码器，需使用能力集列表中的名称。
-acodec codec：指定声音的解码器，需使用能力集列表中的名称。
-vcodec codec：指定视频的解码器，需使用能力集列表中的名称。
-b:v bitrate：设定视频流的比特率，整数，单位bps。
-r fps：设定视频流的帧率，整数，单位fps。
-s WxH : 设定视频的画面大小。也可以通过挂载画面缩放滤镜实现。
-pix_fmt format：设定视频流的图像格式（如RGB还是YUV）。
-ar sample rate：设定音频流的采样率，整数，单位Hz。
-ab bitrate：设定音频流的比特率，整数，单位bps。
-ac channels：设置音频流的声道数目。

4.3 常用输出选项

-f fmt：强制设定文件格式，需使用能力集列表中的名称（缺省是根据扩展名选择的）。
-c codec：指定编码器，需使用能力集列表中的名称（编码器设定为”copy“表示不进行编解码）。
-acodec codec：指定声音的编码器，需使用能力集列表中的名称（编码器设定为”copy“表示不进行编解码）。
-vcodec codec：指定视频的编码器，需使用能力集列表中的名称（编解码器设定为”copy“表示不进行编解码）。
-r fps：设定视频编码器的帧率，整数，单位fps。
-pix_fmt format：设置视频编码器使用的图像格式（如RGB还是YUV）。
-ar sample rate：设定音频编码器的采样率，整数，单位Hz。
-b bitrate：设定音视频编码器输出的比特率，整数，单位bps。
-ab bitrate：设定音频编码器输出的比特率，整数，单位bps。
-ac channels：设置音频编码器的声道数目。
-an 忽略任何音频流。
-vn 忽略任何视频流。
-t hh:mm:ss[.xxx]：设定输出文件的时间长度。
-to hh:mm:ss[.xxx]：如果没有设定输出文件的时间长度的画可以设定终止时间点。

4.4 ffmpeg流标识

FFMPEG的某些选项可以对一个特定的媒体流起作用，这种情况下需要在选项后面增加一个流标识。流标识允许以下几种格式：

流序号。譬如“:1”表示第二个流。
流类型。譬如“:a“表示音频流，流类型可以和流序号合并使用，譬如“:a:1”表示第二个音频流。
节目。节目和流序号可以合并使用。
流标识。流标识是一个内部标识号。

假如要设定第二个音频流为copy，则需要指定-codec:a:1 copy

4.5 ffmpeg音频选项

-aframes：等价于frames:a，输出选项，用于指定输出的音频帧数目。
-aq：等价于q:a，老版本为qscale:a，用于设定音频质量。
-atag：等价于tag:a，用于设定音频流的标签。
-af：等价于filter:a，用于设定一个声音的后处理过滤链，其参数为一个描述声音后处理链的字符串。

4.6 ffmpeg视频选项

-vframes：等价于frames:v，输出选项，用于指定输出的视频帧数目。
-aspect：设置宽高比，如4:3、16:9、1.3333、1.7777等。
-bits_per_raw_sample：设置每个像素点的比特数。
-vstats：产生video统计信息。
-vf：等价于filter:v，用于设定一个图像的后处理过滤链，其参数为一个描述图像后处理链的字符串。
-vtag：等价于tag:v，用于设定视频流的标签。
-force_fps：强制设定视频帧率。
-force_key_frames：显式控制关键帧的插入，参数为字符串，可以是一个时间戳，也可以是一个 “expr:”前缀的表达式。如“-force_key_frames 0:05:00”、“-force_key_frames expr:gte(t,n_forced*5)”