音频混合(旁白 + BGM + 音效)
把多条音频同时叠加混成一轨,核心能力是闪避(ducking)——旁白说话时自动压低 背景音乐,人声清晰、音乐不抢。全部走
skills/shared/scripts/audio_mix.py, 不要手拼 amix/sidechaincompress。
前后顺序拼接(一段接一段)见 audio-editing
concat;给视频配乐见 video-editingbgm; 降噪见 audio-denoise。
输入
| 字段 | 必填 | 说明 |
|---|---|---|
| 旁白 | 否 | 口播/配音主轨(给了则输出时长跟它走,并触发闪避) |
| BGM | 否 | 背景音乐(自动循环补足到旁白长度) |
| 音效 | 否 | 一个或多个音效,可指定各自出现时间点 |
(三者至少给一个。最典型:"旁白 + BGM"。)
输出(outputs/主题名/)
- 混音后的单轨音频(mp3/wav/m4a,按输出后缀)
- 报告:轨数、时长、是否闪避
执行步骤
脚本路径(相对项目根):skills/shared/scripts/audio_mix.py(mix -h 看参数)。
bash# 旁白 + BGM(默认自动闪避,BGM 循环补足到旁白长度) python skills/shared/scripts/audio_mix.py mix \ --voice narration.mp3 --bgm music.mp3 --bgm-volume 0.25 \ -o outputs/主题名/final.mp3 # 关闭闪避(纯叠加) python skills/shared/scripts/audio_mix.py mix --voice v.mp3 --bgm m.mp3 --no-duck -o out.mp3 # 旁白 + 定时音效(第 3.5s 一个叮,第 8s 一个 whoosh) python skills/shared/scripts/audio_mix.py mix --voice v.mp3 \ --sfx ding.wav --sfx-at 3.5 --sfx whoosh.wav --sfx-at 8 -o out.mp3
调参
- 人声被音乐盖住:调低
--bgm-volume(默认 0.25)或确认闪避已开(默认开)。 - 闪避太猛/音乐一顿一顿:
--no-duck后手动压低--bgm-volume。 - BGM 比旁白短:默认自动循环;不想循环用
--bgm-loop-off。 - 音效太响/太轻:
--sfx-volume(默认 0.9)。
规则
- 有旁白时输出时长 = 旁白长度,BGM 自动循环/裁切对齐并在末尾淡出。
- 旁白 + BGM 默认开启闪避(人声优先);不需要时显式
--no-duck。 --sfx与--sfx-at数量一致(或不给 --sfx-at 全部默认 0s)。- 混音不做响度归一(保留相对音量);需统一响度先用 audio-editing
normalize。 - 产物统一进
outputs/主题名/。
参考来源
闪避用 ffmpeg sidechaincompress(以人声为控制信号压缩 BGM),是播客/口播视频保证人声清晰的
标准做法;多轨叠加用 amix。把 sidechain 接线与循环对齐封装成确定性脚本。

