在 ffmpeg 中规范化音频 - 如何？

Question

我正在使用我正在编写的 C# 应用程序为合唱团创建其中一个“Brady Bunch”视频，该应用程序使用 ffmpeg 进行所有繁重的工作，并且在大多数情况下它运行良好，但我无法获得音频电平恰到好处。

我现在正在做的首先是像这样“标准化”各个歌手的音频：

• 使用 ffmpeg 将音频提取到 WAV 文件中
• 使用 NAudio 将 WAV 文件加载到我的应用程序中
• 查找最大 16 位值
• 当我创建合并视频时，为此流指定一个音量，将最大值提升到 32767

所以，例如，如果我有 3 个流：流 A 的最大音频已经是 32767，流 B 的最大音频是 32000，流 C 的最大音频是 16000，那么当我合并这些视频时，我会指定

[0:a]volume=1.0,aresample=async=1:first_pts=0[aud0]
[1:a]volume=1.02,aresample=async=1:first_pts=0[aud1]
[2:a]volume=2.05,aresample=async=1:first_pts=0[aud2]
[aud0][aud1][aud2]amix=inputs=3[a]

（我有一个额外的“音量调整”，可让我根据需要调整个别歌手的音量，但对于这个问题我们可以忽略它）

我正在阅读 Audio Volume Manipulation 上的 ffmpeg wiki，接下来我将实现它，但我不知道如何处理它生成的输出。看起来我将以 dB 为单位获得平均和最大音量水平，虽然我以“是的，我在 30 年前在大学里了解到那些”的方式理解分贝，但我不知道如何使用这些值标准化我的输入视频的音频。

问题是，在 ffmpeg 输出视频中，音频电平很低。如果我在ffmpeg生成的合并视频中提取音频并查看WAV文件的过程相同，最大值仅为4904。

如何实现自动将输出音量设置为“合理”水平的算法？我意识到我可以简单地添加一个手动音量过滤器并让人工设置级别，但这将是生成合并视频、收听它、调整级别、再次合并等的很多来回。我想要我的应用程序计算出适当输出量的一种方式（可能允许人工调整）。

编辑

要求 ffmpeg 确定每个剪辑的平均和最大音量确实提供了以 dB 为单位的平均和最大音量，然后我可以使用这些值来缩放每个输入剪辑：

[0:a]volume=3.40dB,aresample=async=1:first_pts=0[aud0]
[1:a]volume=3.90dB,aresample=async=1:first_pts=0[aud1]
[2:a]volume=4.40dB,aresample=async=1:first_pts=0[aud2]
[3:a]volume=-0.00dB,aresample=async=1:first_pts=0[aud3]

但我的最后一个视频仍然出奇地安静。现在，我添加了一个手动输入的音量因子，它会在最后应用：

[aud0][aud1][aud2]amix=inputs=3[a]
[a]volume=volume=3.00[b]

所以我的问题是，实际上，我如何通过算法确定这个最终体积因子需要是多少？

更多编辑

这里有一些更深层次的东西，我只是将音量过滤器设置为 100，输出只是稍微响亮一些。这是我的过滤器，以及命令行的相关部分：

color=size=1920x1080:c=0x0000FF [base];
[0:v] scale=576x324 [clip0];
[0:a]volume=1.48,aresample=async=1:first_pts=0[aud0];
[1:v] crop=808:1022:202:276,scale=384x486 [clip1];
[1:a]volume=1.57,aresample=async=1:first_pts=0[aud1];
[2:v] crop=1160:1010:428:70,scale=558x486 [clip2];
[2:a]volume=1.66,aresample=async=1:first_pts=0[aud2];
[3:v] crop=1326:1080:180:0,scale=576x469 [clip3];
[3:a]volume=1.70,aresample=async=1:first_pts=0[aud3];
[4:a]volume=0.20,aresample=async=1:first_pts=0[aud4];
[5:a]volume=0.73,aresample=async=1:first_pts=0[aud5];
[6:v] crop=1326:1080:276:0,scale=576x469 [clip4];
[6:a]volume=1.51,aresample=async=1:first_pts=0[aud6];
[base][clip0] overlay=shortest=1:x=32:y=158 [tmp0];
[tmp0][clip1] overlay=shortest=1:x=768:y=27 [tmp1];
[tmp1][clip2] overlay=shortest=1:x=1321:y=27 [tmp2];
[tmp2][clip3] overlay=shortest=1:x=32:y=625 [tmp3];
[tmp3][clip4] overlay=shortest=1:x=672:y=625 [tmp4];
[aud0][aud1][aud2][aud3][aud4][aud5][aud6]amix=inputs=7[a];
[a]adelay=delays=200:all=1[b];
[b]volume=volume=100.00[c];
[c]asplit[a1][a2];

ffmpeg -y ....
   -map "[tmp4]" -map "[a1]" -c:v libx264 "D:\voutput.mp4" 
   -map "[a2]" "D:\aoutput.mp3""

当我这样做时，我想要的音频会更大（响亮到足以剪辑和失真），但绝对不会响亮 100 倍。

Answer 1

1. 混合音频后，运行

ffmpeg -i output.mp3 -filter:a volumedetect -map 0:a -f null /dev/null

1. 像这样从字符串中获取值：

[Parsed_volumedetect_0 @ 0xdigitsletters] max_volume: -16.5 dB

1. 将此值添加到过滤器，但为正值：...]amix=inputs=7,volume=16.5dB[a]

[编辑]

混合音频后再做。

[更新]

我做了一些调查：

[更新 2]

#!/bin/bash
f="input 1.mp3"
INP=("-ss" "30" "-i" "$f")
FCT=1
FLA="[0:a:0]aresample=async=1:first_pts=0[0a0]; "
AUD="[0a0]"
MAX=$(ffmpeg -hide_banner -i "$f" -map 0:a -filter:a volumedetect -f null /dev/null 2>&1 | grep 'max_volume' | awk '{print $4, $5, $6}')
echo "    $FCT $MAX"
for f in /mnt/sklad/Музыка/*.mp3; do
  INP+=("-ss" "30" "-i" "$f")
  FLA+="[${FCT}:a:0]aresample=async=1:first_pts=0[${FCT}a0]; "
  AUD+="[${FCT}a0]"
  ((FCT++))
  printf -v OUT "%02d" $FCT
  ffmpeg -v error -hide_banner "${INP[@]}" -filter_complex "${FLA} ${AUD}amix=inputs=${FCT}[a]" -map [a] -c:a aac -q:a 4 -t 30 -y "out_${OUT}.mkv"
  MAX=$(ffmpeg -hide_banner -i "$f" -map 0:a -filter:a volumedetect -f null /dev/null 2>&1 | grep 'max_volume' | awk '{print $5, $6}')
  echo "    $FCT $MAX"
done

for f in out_*.mkv; do
  MAX=$(ffmpeg -hide_banner -i "$f" -map 0:a -filter:a volumedetect -f null /dev/null 2>&1 | grep 'max_volume' | awk '{print $5, $6}')
  echo "    $f $MAX"
done

输出：

1 max_volume: -1.1 dB
2 -0.2 dB
3 0.0 dB
4 -1.9 dB
5 -0.1 dB
6 -0.9 dB
7 0.0 dB
8 0.0 dB
9 0.0 dB
10 0.0 dB
11 0.0 dB
12 0.0 dB
13 -0.5 dB
14 -1.1 dB
15 0.0 dB
16 0.0 dB
17 -0.0 dB
out_02.mkv -4.4 dB
out_03.mkv -5.0 dB
out_04.mkv -6.8 dB
out_05.mkv -7.1 dB
out_06.mkv -8.3 dB
out_07.mkv -8.9 dB
out_08.mkv -8.9 dB
out_09.mkv -8.8 dB
out_10.mkv -8.9 dB
out_11.mkv -9.7 dB
out_12.mkv -10.3 dB
out_13.mkv -11.1 dB
out_14.mkv -11.3 dB
out_15.mkv -10.6 dB
out_16.mkv -10.9 dB
out_17.mkv -11.2 dB

得到其他结果，但仍然没有强模式