波仔
🎬 第五章 FFmpeg命令行实现音视频转码
📄 一句话概括

转声道不改时间轴，只改「每个点存几份」：立体声转单声道字节正好一半。 这一步不可逆，两路合到一起就再也分不开。

📝 本节和前面几节的关系

前面几节动的都是「编码」与「容器」，这一节开始动采样参数。 声道、采样率、采样格式这三样，是音频转码里最常被要求改的东西。

一、字节正好一半，点数一个不少

同一段 2 秒素材，转成单声道：

声道布局 采样点 字节 每点字节

stereo 89088 356352 4 mono 89088 178176 2

点数一模一样，字节正好一半——转声道不改时间轴，只改「每个点存几份」。 立体声每点存两个数（左、右），单声道每点存一个。

这一步不可逆：两路声音被合到了一起，想再分开是办不到的。 所以「先转单声道省点空间，以后需要再转回来」这种想法是错的。

二、下混到底怎么合

两路合成一路，默认做法是取平均：

比较 结果

单声道与两路平均 最大差 1 左声道与右声道 最大差 11

第一行最大差只有 1，说明默认的下混就是「两路取平均」，误差只来自舍入。 这也回答了一个常见疑问：下混会不会让声音变小？不会，它是平均不是相加。

第二行说明这段素材的左右本来几乎一样，差 11 是 AAC 编解码带来的。 换成真正的立体声素材，第二行会是一个很大的数——那时候「取平均」就会把声场压塌。

要保住声场得用加权下混，或者干脆保留立体声。命令行里 -ac 1 走的就是平均。

三、反向：单声道升立体声

把单声道再转回立体声：

项 值

输入点数 89088 输出点数 89088 字节 356352（原 178176）

字节翻倍，点不变。多出来的那一半是「同一个内容抄了两份」，不是新的信息。 所以这一步唯一的作用是兼容那些只认立体声的播放器。

想从单声道「恢复」出立体声是不可能的，原始的两路差值在上一步就被平均掉了。 这也是为什么专业流程里，素材从一开始就要留立体声原件。

四、动手 Demo：立体声转单声道，再转回去

先把素材音频解成裸 PCM，分别按立体声与单声道存一份，比点数与字节。 再读回单声道，按「两路取平均」算一遍，看它与真下混的结果差多少。

import av, os
import numpy as np

def to_pcm(dst, layout, src=u"s5.mp4"):
    c1 = av.open(dst, u"w", format=u"s16le")
    s1 = c1.add_stream(u"pcm_s16le", rate=44100)
    s1.layout = layout
    if src.endswith(u".pcm"):
        c0 = av.open(src, u"r", format=u"s16le",
                     options={u"ar": u"44100", u"ch_layout": u"mono"})
        rs = None
    else:
        c0 = av.open(src)
        rs = av.AudioResampler(format=u"s16", layout=layout, rate=44100)
    n = 0
    for f in c0.decode(audio=0):
        frames = rs.resample(f) if rs is not None else [f]
        for rf in frames:
            n += rf.samples
            for o in s1.encode(rf):
                c1.mux(o)
    if rs is not None:
        for rf in rs.resample(None):
            n += rf.samples
            for o in s1.encode(rf):
                c1.mux(o)
    for o in s1.encode(None):
        c1.mux(o)
    c1.close()
    c0.close()
    return n, os.path.getsize(dst)

n1, b1 = to_pcm(u"st1.pcm", u"stereo")
n2, b2 = to_pcm(u"mo1.pcm", u"mono")
print(u"stereo %d 点 %d 字节" % (n1, b1))
print(u"mono   %d 点 %d 字节" % (n2, b2))

st = np.frombuffer(open(u"st1.pcm", u"rb").read(), dtype=np.int16)
st = st.reshape(-1, 2)
mo = np.frombuffer(open(u"mo1.pcm", u"rb").read(), dtype=np.int16)
avg = (st[:, 0].astype(np.int32) + st[:, 1]) // 2
print(u"与两路平均的最大差 %d" % int(np.abs(mo.astype(np.int32) - avg).max()))
print(u"左右声道最大差 %d"
      % int(np.abs(st[:, 0].astype(np.int32) - st[:, 1]).max()))

n3, b3 = to_pcm(u"st2.pcm", u"stereo", u"mo1.pcm")
print(u"升回立体声 %d 点 %d 字节" % (n3, b3))

实跑输出：

--------------------------------------------------------------------
5.5.1 单声道与立体声互转——省一半，还是丢一半
--------------------------------------------------------------------

**① 立体声转单声道**

  声道布局     采样点     字节       每点字节
  --------------------------------------------
  stereo       89088      356352     4
  mono         89088      178176     2

**点数一模一样，字节正好一半——转声道不改时间轴，只改「每个点存几份」。**
**这一步不可逆：两路声音被合到了一起，想再分开是办不到的。**

**② 立体声转单声道时，两路怎么合**

  比较                 结果
  -------------------------------
  单声道与两路平均     最大差 1
  左声道与右声道       最大差 11

**第一行最大差只有 1，说明默认的下混就是「两路取平均」，误差只来自舍入。**
**第二行说明这段素材的左右本来几乎一样（差 11 是 AAC 编解码带来的），所以下混几乎不损失。**
**换成真正的立体声素材，第二行会是一个很大的数——那时候「取平均」就会把声场压塌。**

**③ 反向：单声道转立体声**

  项           值
  ---------------------------------
  输入点数     89088
  输出点数     89088
  字节         356352（原 178176）

**字节翻倍，点不变。多出来的那一半是「同一个内容抄了两份」，不是新的信息。**
**所以「把单声道升成立体声」这种需求，除了兼容播放器，没有别的意义。**

AudioResampler 名字带 resample，但它管的远不止采样率： 声道布局、采样格式也在它的活里，一次调用三样一起改。

读裸 PCM 的 ch_layout 一定写 mono 或 stereo 这样的名字， 写数字 1、2 不认，还不报错——这一坑在 5.3.1 里撞过一次。

最后一步的 st2.pcm 是「单声道升立体声」的结果，字节翻倍、点数不变。 拿它跟 st1.pcm 比会发现内容不同：差值已经在第一步被平均掉了。

30 秒实验

  1. 命令行对照：ffmpeg -i 源.mp4 -ac 1 出.wav，字节正好减半。
  2. 看布局：ffprobe -show_streams，找 channel_layout 那一行。
  3. 保留立体声但只留左声道：-af pan=stereo|c0=c0|c1=c0，两路都填左。

常见误区

  1. 以为转单声道以后再转回来能恢复。平均掉的差值找不回来。
  2. 以为下混会让音量变小。默认是平均，不是相加，音量基本不变。
  3. 把 ch_layout 写成数字。PyAV 不认数字，且静默按单声道读。
自测三问（点开对答案） 1. 立体声转单声道，字节为什么正好减半？ —— 每点从两个数变成一个数，点数不变，所以字节正好一半。 2. 默认的下混算法是什么？ —— 两路取平均。实测与手算平均的最大差只有 1，误差来自舍入。 3. 单声道升立体声有意义吗？ —— 只有兼容意义。多出来的一半是同一份内容抄两遍，不是新信息。

相关笔记