使用ffmpeg实现音频静音修剪
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" -y2.5 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" -ystart_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)”
4.7 ffmpeg滤镜选项
-filter_simple 添加简单滤镜
-filter_complex FILTER 添加复杂滤镜
4.8 ffmpeg高级选项
- -re：要求按照既定速率处理输入数据，这个速率即是输入文件的帧率。
- -map：指定输出文件的流映射关系。例如 “-map 1:0 -map 1:1”要求将第二个输入文件的第一个流和第二个流写入到输出文件。如果没有-map选项，ffmpeg采用缺省的映射关系。
4.9 ffprobe参数
简单的说，ffprobe 是一个多媒体流分析工具。它从多媒体流中收集信息，并且以人类和机器可读的形式打印出来。它可以用来检测多媒体流的容器类型，以及每一个多媒体流的格式和类型。它可以作为一个独立的应用来使用，也可以结合文本过滤器执行更复杂的处理。
- -f format 强制使用某种格式
- -sexagesimal 时间单元格式化 HOURS:MM:SS.MICROSECONDS
- -pretty 格式美化
- -print_format format 格式化(可选值: default, compact, csv, flat, ini, json, xml)
- -of format -print_format别名
- -select_streams stream_specifier 选择指定流
- -sections 打印节的结构和信息
- -show_data 显示包数据
- -show_data_hash 显示包数据哈希值
- -show_error 显示文件探测/检测错误
- -show_format 显示格式或者容器信息
- -show_frames 显示帧信息
- -show_format_entry entry 根据格式/容器信息显示指定entry
- -show_packets 显示包信息
- -show_programs 显示程序信息
- -show_streams 显示流信息
- -show_chapters 显示章节信息
- -count_frames 统计每个流的帧数
- -count_packets 统计每个流的包数
- -show_program_version 显示ffprobe版本
- -show_library_versions show library versions
- -show_versions show program and library versions
- -show_pixel_formats 显示像素格式
- -show_private_data show private data
- -private same as show_private_data
- -bitexact force bitexact output
- -read_intervals read_intervals set read intervals
- -default generic catch all option
4.10 ffplayer参数
- -x 强制设置视频显示窗口的宽度
- -y 强制设置视频显示窗口的高度
- -S 设置视频显示的宽高
- -fs 强制全屏显示
- -an 屏蔽音频
- -vn 屏蔽视频
- -Sn 屏蔽字幕
- -ss 根据设置的秒进行定位拖动
- -t 设置播放视频/音频长度
- -Bytes 设置定位拖动的策略，0为不可拖动，1为可拖动，-1为自动
- -Nodisp 关闭图形化显示窗口
- -f 强制使用设置的格式进行解析
- -window_title 设置显示窗口的标题
- -af 设置音频的滤镜
- -Codec 强制使用设置的codec进行解码
- -autorotate 自动旋转视频
- -ast 设置将要播放的音频流
- -vst 设置将要播放的视频流
- -sst 设置将要播放的字幕流
- -Stats 输出多媒体播放状态
- -Fast 非标准化规范的多媒体兼容优化
- -sync 音视频同步设置可设置根据音频视频进行参考，视频时间参考，或者外部扩展时间进行参考
- -autoexit 多媒体播放完毕自动退出ffplay，ffplay默认播放完毕不退出播放器
- -exitonkeydown 当有按键按下事件产生时退出ffplay
- -exitonmousedown 当有鼠标按键事件产生时退出ffplay
- -loop 设置多媒体文件循环播放次数
- -framedrop 当CPU资 源占用过高时，自动丢帧
- -infbuf 设置无极限的播放器buffer，这个选项常见于实时流媒体播放场景
- -vf 视频滤镜设置
- -acodec 强制使用设置的音频解码器
- -vcodec 强制使用设置的视频解码器
- -scodec 强制使用设置的字幕解码器