剪辑与音量检查：FFmpeg 拼出第一部成片

一句话目标：这一课完成 AI 短剧剪辑——把你挑选好的镜头片段按镜头表顺序拼成 30–60 秒练习成片，并用 loudnorm 把音量统一到 EBU R128 标准。

GUI 剪辑软件（如剪映、Premiere）同理能完成本课操作，但本课程未核验其具体步骤，以下一律以 FFmpeg 命令为准。

学完你能做什么

• 用 trim 与 atrim 把每个镜头裁到镜头表时长，并把时间戳归零
• 用 concat 过滤器把多个镜头片段按镜头表顺序拼成一条完整时间线
• 用 loudnorm 把整片音量统一到 EBU R128 标准（默认目标 I=-24、LRA=7、TP=-2）
• 产出一个 30–60 秒、音画同步、音量平稳的 final.mp4 练习成片

你现在的困境

• 「镜头都挑好了，可还是一堆零散的 mp4，怎么看都不像一部短剧。」
• 「勉强拼到一起，有的镜头声音大、有的声音小，听着难受。」
• 「听说该用剪辑软件，可界面按钮一大堆，我只想先把片子拼出来。」

什么时候用这一招

当你需要：

• 把挑好的镜头片段按镜头表顺序拼成一部 30–60 秒练习成片；
• 统一整片音量，让配音不再忽大忽小。

而且不想：

• 一上来就学 GUI 剪辑软件的界面操作；
• 在时间线上手动对齐每一个片段。

🎒 开始前的准备

• 已学完「镜头重试与替换策略：每镜最多 3 次」，手握前期课程制定的镜头表（教学模板），挑好的片段按播放顺序命名，如 shot01.mp4、shot02.mp4、shot03.mp4
• 已学完「字幕制作与校对：SRT 从生成到烧录」，字幕已烧进各片段，或准备最后统一烧到成片上
• 各镜头片段已在前面课程合入配音音轨
• 终端运行 ffmpeg -version 能看到版本号

核心思路

AI 短剧剪辑听起来工程浩大，这一课的 FFmpeg 视频剪辑其实只做三件事：裁、拼、调，每件事对应一个过滤器：

动作	过滤器	干什么
裁	trim / atrim + setpts / asetpts	按镜头表时长裁掉多余首尾，时间戳归零
拼	concat	多段按顺序接成一条时间线，短音频自动补静音
调	loudnorm	按 EBU R128 统一整片响度

整条流水线：shot01.mp4 等素材 →（裁）shot01_cut.mp4 等片段 →（拼）draft.mp4 →（调）final.mp4。

两个前提要记住：concat 要求每段从时间戳 0 开始，所以裁剪后要归零；各段对应流的参数要一致——分辨率必须显式一致，像素格式、采样率这些 concat 会自动统一。

跟我做

第 1 步：裁剪镜头首尾

为什么：镜头表给每个镜头规定了时长，裁剪让片段严格对表；concat 又要求每段从时间戳 0 开始，裁完顺手归零。trim 用 start/end/duration 圈定范围，atrim 参数相同：

ffmpeg -i shot01.mp4 \
  -vf "trim=start=0:end=4,setpts=PTS-STARTPTS" \
  -af "atrim=start=0:end=4,asetpts=PTS-STARTPTS" \
  shot01_cut.mp4

你应该看到：shot01_cut.mp4 时长 4 秒、时间戳从 0 开始、首尾无多余画面。

• 小检查：每个镜头各跑一次，得到 shot01_cut.mp4、shot02_cut.mp4、shot03_cut.mp4

第 2 步：拼接镜头，搭出 AI 短剧剪辑时间线

为什么：FFmpeg 拼接视频靠 concat 过滤器，把裁好的片段按镜头表顺序接成一条时间线——这一步做完，一堆素材才算真正变成「一部片子」。它要求各段流的参数一致（同一工作流生成的片段通常天然满足）；某段音频比视频短时，会自动补静音：

ffmpeg -i shot01_cut.mp4 -i shot02_cut.mp4 -i shot03_cut.mp4 \
  -filter_complex "[0:v][0:a][1:v][1:a][2:v][2:a]concat=n=3:v=1:a=1[v][a]" \
  -map "[v]" -map "[a]" -c:v libx264 -crf 20 draft.mp4

n=3 是拼接的段数，镜头不止 3 个就改成实际数量，并按顺序追加 -i 输入。-map 选定 concat 输出的视频流与音频流；-c:v libx264 配合 -crf 控制画质，这是官方文档示例中的用法，crf 数值按你的画质需求自定。

你应该看到：得到 draft.mp4，总时长约等于各镜头之和，播放顺序与镜头表一致。

• 小检查：播放 draft.mp4，顺序与镜头表一致，没有漏镜、重镜

第 3 步：音量检查与统一

为什么：不同镜头的配音响度未必一致，拼在一起会忽大忽小。loudnorm 是 FFmpeg 的音量标准化过滤器，按 EBU R128 标准统一整片响度，默认目标是 I=-24、LRA=7、TP=-2。注意它的动态模式内部按 192kHz 上采样处理，输出时要用 -ar 指定采样率：

ffmpeg -i draft.mp4 -af loudnorm -ar 48000 -c:v copy final.mp4

你应该看到：final.mp4 整片响度达标，镜头之间不再忽大忽小；视频流直接复制（-c:v copy），不二次损失画质。

💡 音量还是忽大忽小？

先回头检查拼接顺序有没有漏镜、重镜，确认没问题再重跑一遍 loudnorm。

• 小检查：ffmpeg -i final.mp4 显示音频采样率为 48000，而不是 192000

检查点 ✅

• 每个裁剪片段（shot01_cut.mp4 等）时间戳从 0 开始，时长与镜头表一致
• draft.mp4 总时长约等于各镜头之和，播放顺序与镜头表一致
• final.mp4 时长落在 30–60 秒（练习片的课程设计目标），含视频、音频两路流
• 完整播放一遍：顺序、画面、音量逐项过耳；字幕若已烧录，显示正常

踩坑提醒

❌ concat 报流参数不一致

原因：混入了分辨率不同的镜头（如横竖版混用）。concat 会自动统一像素格式、采样率等参数，但分辨率不会被自动转换，必须各段一致；帧率不同虽不报错，却会输出可变帧率成片。

正确做法：回镜头阶段统一参数、重新生成后再拼。

❌ concat 报缺少音频流

原因：有的镜头没合入配音音轨，拼接时就会报缺少音频流。

正确做法：先按配音一课补齐音轨，再重跑第 2 步。

❌ 开头黑帧或音画错位

原因：某段裁剪后时间戳没归零，concat 把非零起点当成了段的开头。

正确做法：补上第 1 步的 setpts/asetpts，重跑裁剪和拼接。

❌ 输出采样率高达 192kHz

原因：loudnorm 动态模式的内部上采样被写进了文件。

正确做法：加 -ar 48000 重跑第 3 步。

本课小结

• ✅ 用 trim/atrim 加 setpts/asetpts，把每个镜头裁到镜头表时长并归零时间戳
• ✅ 用 concat 按镜头表顺序拼接镜头，搭出 AI 短剧剪辑时间线，产出 draft.mp4
• ✅ 用 loudnorm 做 EBU R128 音量标准化，用 -ar 48000 锁定输出采样率，产出 final.mp4

关键参数回顾：

参数	推荐值	说明
trim/atrim 的 start/end	按镜头表时长	圈定每个镜头的保留范围
concat 的 n	镜头数量	拼接段数，与输入文件数对应
loudnorm 目标 I	-24（默认）	EBU R128 整合响度目标
loudnorm 目标 LRA	7（默认）	响度范围目标
loudnorm 目标 TP	-2（默认）	真峰值上限
-ar	48000	防止 loudnorm 内部 192kHz 上采样写进文件
-c:v / -crf	libx264 / 20	官方示例用法，crf 按画质需求自定

下一课预告

成片到手，发布前还要对照平台规范过一遍：继续「导出与发布前检查：对照 YouTube 官方规范」。

你会学到：

• YouTube 官方推荐的上传编码设置：容器 MP4、视频 H.264、音频 AAC-LC 48kHz
• 帧率、分辨率、码率等推荐值怎么对照检查
• 发布前最后一遍检查清单怎么过