一个做播客的团队把每期节目拆成两条音轨:人声一条,背景音乐一条,剪辑软件里各自导出成 48kHz 的 WAV。合成环节交给一位刚接手的同学,他用命令行把两个文件「合在一起」,产物是一小时四十分钟的成品。上线后听众反馈:整期只能听到背景音乐,人声完全没了。

他回看命令,确实把两个文件都传进去了,输出也有一条音轨。文件大小比单个还大一点,说明数据都在。问题在于他做的是封装,不是混合:两条独立的流被装进同一个容器,播放器按默认规则选了第一条,第二条一直躺在文件里没人解。把两条流真正相加成一条,需要的是解码、对齐、求和、再编码,完全是另一道工序。

换成真正混合之后,新问题又来了:人声音量被音乐盖住,整段听起来闷。这一次不是没混上,是电平不对。人声导出时峰值只有 -18 dBFS,音乐被处理到 -6 dBFS,两者差了 12 dB,相当于音乐振幅是人声的四倍。再往后还有一个更硬的限制:两路都接近满幅的信号直接相加,会超过 0 dBFS,被编码器削平,出现失真和「炸」的听感。

这篇把「混流」拆成封装和混合两件事,讲采样率与声道怎么对齐、dB 怎么换算成增益、为什么两路 0.9 的信号能加到 1.73、削波到底削掉了多少样本,最后给一套可复现的检查流程。

现象真实原因第一步查什么
两条音轨合进容器后只听到一条只做了封装,两条流各自独立,播放器选了默认轨道用媒体信息工具看容器里到底有几条音频流
混完后整体音量反而变小混合工具默认会做归一化,按输入路数压低电平看混音参数里的归一化开关,以及每路实际增益
人声被音乐盖住,怎么调都闷两路电平差 10 dB 以上,且没有做侧链或增益平衡分别测两路的峰值和平均电平,算差值
混完出现爆音、失真、高频发毛求和后峰值超过 0 dBFS,被硬削波看混合结果的峰值,统计超出满幅的样本数
人声听起来像有回声或双声两路起始时间没对齐,或采样率不同导致逐渐错位对比两路第一个有效样本的时间戳
44.1k 与 48k 混合后音调不对没重采样,直接按目标采样率解释样本查两路采样率,确认混合前已统一
立体声下混成单声道后音量减半下混用了平均而不是求和,或声道映射漏了一路看下混系数和声道映射表
成品比原素材短了一截两路样本数不同,混合时按最短的一路截断比较时长和总样本数,确认补静音还是裁切

封装和混合:两个完全不同的动作

先分清两个词。封装,英文 mux,是把视频流、音频流、字幕流按时间戳装进一个容器文件。它不改变任何一条流的内容,只是给它们编了个目录。混合,英文 mix,是把多路音频解码成样本,逐点相加,得到一条新的音频。前者像把几份文件装进同一个文件夹,后者像把几碗汤倒进一口锅。

那个播客的错误就出在这里。命令里两条输入都用了流复制,输出自然有两条音频流,而且两条都完整。播放器打开文件时,默认只挑一条播放,另一条不参与。听众听到的背景音乐,就是它挑中的那条。要确认这一点,看文件里音频流的数量就够了,不需要听。

从多路输入到一路输出
解码成 PCM
统一采样率
对齐声道与时长
施加增益
逐点求和
限幅后编码

封装并非没用。它保留原始音质,适合后期还要分轨处理的场合,也适合把多语言音轨一起分发。但只要目标是「一条听感完整的成品」,就必须走混合这条路。两者可以组合:先把多路混成一条,再和视频一起封装。顺序不能反,封装完再混,等于先把两条流塞进容器再拆出来,多此一举。

采样率和声道:先把时间轴对齐

采样率是每秒采多少个点。48kHz 表示每秒 48000 个样本,44.1kHz 表示每秒 44100 个。两个文件采样率不同,它们的「第 n 个样本」对应的时刻就不一样。直接相加,等于把其中一路的时间轴拉伸或压缩,短文件会显得更快,长文件会显得更慢,混出来的音调和节奏都不对。

算一下差多少:10.5 秒的素材,48kHz 有 504000 个样本,44.1kHz 只有 463050 个,相差 40950 个样本。按 44.1kHz 解释这 40950 个样本,是 0.929 秒。也就是说,如果只是把两路样本按索引相加,末尾会差出将近一秒,中间则一路错位一路推进,听起来像两把人声在追着跑。

正确做法是先重采样到同一个采样率,通常选较高的那个,或者选项目规范里的目标值。重采样不是简单丢点或补点,它要做低通滤波,避免高频混叠。这一步的质量直接决定成品有没有「金属感」。

声道也要先统一。单声道只有一路,立体声有左右两路。把单声道塞进立体声容器,要么复制成两路,要么只放左路;把立体声塞进单声道,要么取平均,要么只取一路。这些选择会改变电平,下一节和第五节分别说。

还有起始时间。两路文件未必都在第零秒开始发声,音乐可能前面留了两秒空白,人声从第零秒就进。混合前要按时间戳对齐,而不是按文件长度对齐。否则人声会提前两秒,或者音乐晚两秒,短节目不明显,一小时的节目就会在每个段落之间错开。

对齐的基准是时间戳,不是样本索引。两个文件都以第零秒为起点时,样本索引才能直接对应。只要有一路是从中间截出来的,就必须带上它的起始时间。

增益:dB 是比值,不是音量旋钮的格数

音频里的电平用分贝表示,写作 dBFS,意思是相对于满幅的比例。计算公式是二十乘以以十为底的对数。振幅 0.9 的信号是 -0.9 dBFS,振幅 0.5 是 -6 dBFS,振幅 0.126 约是 -18 dBFS。满幅 1.0 就是 0 dBFS,超过 1.0 的数在数字音频里没有对应的编码值。

记住两个换算就够了:振幅减半等于 -6 dB,振幅翻倍等于 +6 dB。所以「人声比音乐低 12 dB」不是「低 12%」,而是振幅只有四分之一。播客里人声 -18、音乐 -6,听起来音乐压住人声,原因就在这四倍的差距。

处理办法不是简单地把人声拉到 +6,那样两路都接近满幅,一相加就削波。常规做法是先给人声留出足够的电平,再把音乐压到比人声低 10 到 15 dB;或者用侧链压缩,让人声出现时音乐自动让路。前者是静态平衡,后者是动态让路,各有适用场景。

振幅dBFS典型用途
1.00满幅,不能再高
0.9-0.9测试信号,已经很接近上限
0.5-6常见的音乐峰值
0.25-12人声偏低的电平
0.126-18播客里常见的人声峰值
0.063-24安静环境里的对白

这张表可以直接用来估混音余量。两路都是 -6 dBFS,也就是各 0.5,理论上相加峰值到 1.0,刚好顶到满幅;只要相位稍微重叠,就会超过。所以混音前至少要给总和留 3 到 6 dB 的余量,或者混完之后做一次限幅。

求和与削波:峰值相加,功率相加

两路信号进同一口锅,样本是逐点相加的。这里的「相加」有两种统计口径,很容易混。峰值是振幅直接相加,两路 0.9 在最坏情况下能到 1.8;功率是按平方相加再开方,两路不相关的信号,均方根只到 0.9,不是 1.8。

这解释了为什么混完之后「听起来没变大多少」,但峰值表已经爆了。人耳对持续的能量更敏感,峰值只在瞬间出现;而编码器和播放设备看的是峰值,超过 1.0 的部分会被直接切掉。切掉的是波形顶部,等于给信号加了一层方形的边,频谱上会多出一堆原本没有的谐波,听起来就是失真、发毛、炸。

削波比例可以直接统计:逐样本看绝对值有没有超过 1.0。下面实测里,两路 0.9 的正弦波相加,五秒里有 81000 个样本被削,占 33.75%。这个比例已经不是「偶尔碰一下」,而是每三个样本就有一个失真。

先降增益再相加

把每路压低 6 dB 再加,峰值落在 0.87 左右,不会削波,代价是整体电平变低,需要后面再统一提升。优点是干净,缺点是步骤多、容易忘记最后一步。

相加后做限幅

先按原始电平相加,再用软限幅压回 0.94 以内。峰值控制住了,但波形顶部被改变,瞬态会变软,强音多的素材听起来会「塌」。适合人声为主的节目,不适合鼓点密集的音乐。

不管选哪种,都要在最后检查一次真实峰值。有些编码器在解码时会把略高于 1.0 的样本还原出来,有些会直接截断。混音工具报的峰值是编码前的,成品解码后的峰值可能更高,留 1 dB 余量比较稳妥。

声道下混:平均、求和,还是带权重

立体声转单声道,最直觉的做法是把左右加起来除以二。这样电平大致保持不变,同相的内容不会被削波,反相的内容会互相抵消。如果直接把左右相加不除以二,同相内容会翻倍,等于 +6 dB,本来不削波的素材也会爆。

反相是最容易被忽略的情况。左右两路如果正好相差 180 度,平均之后是 0,整段内容直接消失。实测里同相立体声平均后峰值 0.9,相加后 1.8;而完全反相的两路,平均后峰值是 0.0000。这不是算法坏了,是两路确实互相抵消了。现实中很少有完全反相,但接近反相会让某些频段莫名变小声。

多声道下混更复杂。5.1 有左、右、中、左环绕、右环绕、低频六个通道,转成立体声时要按权重混合,前置声道权重大,环绕声道权重小,低频通常不直接并入。不同标准给的系数不一样,硬套一个公式可能让对白变小、环绕效果变糊。

实测里取了一组示例权重,把 L 0.8、R -0.3、C 0.2、LFE -0.9 混成一个值,结果是 +0.25。同样的输入,换一组权重就是另一个数。这说明下混没有「唯一正确」的答案,只有「符合目标播放环境」的答案。

不要用「左右相加」当默认下混。同相内容会 +6 dB 直接削波,反相内容会抵消成静音。要么用平均,要么按目标标准的权重表来,别凭直觉。

实测:两路正弦波相加

下面这段脚本生成两路五秒、48kHz、振幅 0.9 的正弦波,频率分别是 440Hz 和 880Hz,相位差 0.7 弧度。然后逐点相加,统计峰值、均方根、削波样本数、削波段数和最长的一段。

import math

sr, n = 48000, 48000 * 5
a = [0.9 * math.sin(2 * math.pi * 440 * t / sr) for t in range(n)]
b = [0.9 * math.sin(2 * math.pi * 880 * t / sr + 0.7) for t in range(n)]
mix = [x + y for x, y in zip(a, b)]

peak = max(max(mix), -min(mix))
rms = math.sqrt(sum(x * x for x in mix) / n)
clipped = sum(1 for x in mix if abs(x) > 1.0)
runs = longest = cur = 0
prev = False
for x in mix:
    over = abs(x) > 1.0
    if over:
        cur += 1
        longest = max(longest, cur)
        if not prev:
            runs += 1
    else:
        cur = 0
    prev = over
print("sum peak=%.4f rms=%.4f clipped=%d (%.2f%%) runs=%d longest=%d"
      % (peak, rms, clipped, clipped * 100 / n, runs, longest))

half = [0.5 * (x + y) for x, y in zip(a, b)]
print("each -6dB: peak=%.4f clipped=%d rms=%.4f"
      % (max(max(half), -min(half)), sum(1 for x in half if abs(x) > 1.0),
         math.sqrt(sum(x * x for x in half) / n)))

soft = [math.tanh(x + y) for x, y in zip(a, b)]
print("tanh limiter: peak=%.4f rms=%.4f"
      % (max(max(soft), -min(soft)), math.sqrt(sum(x * x for x in soft) / n)))

本机 Python 3.15 实际输出:

sum peak=1.7323 rms=0.9000 clipped=81000 (33.75%) runs=4400 longest=22
each -6dB: peak=0.8662 clipped=0 rms=0.4500
tanh limiter: peak=0.9393 rms=0.6106

第一行是最坏情况的现场。峰值 1.7323,超过满幅 73%;81000 个样本被削,占 33.75%;削波段有 4400 处,最长的一段连续 22 个样本。注意峰值没有到理论上的 1.8,因为两个频率不成整数倍、相位差 0.7,五秒里没赶上完全同相的时刻。即便如此,三分之一以上的样本已经失真。

第二行是把两路都压低 6 dB 再加:峰值 0.8662,削波为零,均方根 0.45。干净,但整体电平只有原来的一半,后面还要再统一提升。第三行用的是 tanh 软限幅,峰值 0.9393,不再削波,均方根 0.6106,比原始求和低,但比压增益版本高。它保住了更多中低电平的细节,代价是波峰被压圆。

这三个数字放在一起看,就明白混音不是「加起来就完事」:同一组输入,三种处理得到三种峰值和三种听感。选哪种取决于素材类型和后续有没有统一响度处理的步骤。

一条能落地的混音流程

把上面的东西串成顺序,大概是:先探测每路的采样率、声道数、时长和起始时间;统一采样率;统一声道布局;按目标电平施加增益;逐点求和;检查峰值并决定是否限幅;最后编码。

步骤要确认的数值常见错误
探测采样率、声道数、时长、起始时间只看了时长,没看采样率
重采样统一到 48kHz 或项目规范值直接相加,音调和节奏全错
声道映射单声道复制,立体声保左右把右声道丢了,电平少一半
增益人声比音乐高 10 到 15 dB按百分比理解 dB,越调越乱
求和逐样本相加,浮点中间结果在 16 位整数上直接加,提前溢出
限幅峰值留 1 dB 余量只看编码前,不看解码后

中间结果一定要用浮点。16 位整数样本的范围是 -32768 到 32767,两路接近满幅的信号一相加就溢出,溢出的表现不是变成最大声,而是回绕成反相的数值,听起来像爆音。先在浮点里加,再统一转回整数,是唯一稳妥的顺序。

还有一个现实约束:混音会改变响度,而各平台对成品响度有要求。网络视频常见的目标是 -14 到 -16 LUFS,广播标准更严。LUFS 是人耳加权的响度单位,和峰值 dBFS 不是一回事。混完只看峰值不够,还要看整体响度,否则同一期节目在手机上会显得忽大忽小。

边界与代价

混音的第一个代价是信息不可逆。两路合成一路之后,想再把人声单独抽出来,只能靠分离算法猜,效果远不如保留分轨。所以制作流程里通常保留一份分轨母版,成品只是导出物。存储成本换来的可修改性,值这个钱。

第二个代价是编码次数。每混一次、每导一次,只要有有损编码,就会再损失一层。把两条 MP3 解码、混合、再压成 MP3,等于三代损失叠加。能用无损中间格式就用无损,WAV 或 FLAC 都可以,别在中间环节反复压。

第三个代价是算力与延迟。实时混音要按块处理,块越大延迟越高;直播场景里还要考虑缓冲,缓冲太小会断音,太大口型对不上。这个取舍和下一篇文章要讲的时间轴对齐直接相关。

第四个代价是电平标准的差异。音乐制作常用 -6 dBFS 峰值,播客常用 -3 dBFS 峰值配 -16 LUFS 响度,广播用 -23 LUFS。把一档节目的两条轨按另一档的标准混,成品放到目标平台就会偏响或偏轻。标准不是装饰,是交付的一部分。

当天能自己验证的五个练习

  1. 生成两路 0.9 振幅的正弦波,分别用同相和反相各混一次,记录峰值和均方根。
  2. 把其中一路改成 0.5 振幅,重新混合,看削波样本数从多少降到多少。
  3. 用你的混音工具把两路都压低 6 dB 再加,和直接相加后限幅对比,听一下瞬态的差别。
  4. 找两个采样率不同的素材,先直接相加听一遍,再重采样后混合听一遍,记录音调和时长差异。
  5. 把一个立体声文件分别用平均和相加两种方式下混,测量峰值,确认相加版本是否削波。

小结

三句话:封装只是把多条流装进一个容器,混合才是解码后逐点相加;混之前必须统一采样率、声道和起始时间,电平要按 dB 算而不是按百分比猜;求和之后峰值会叠加,不削波要么降增益,要么限幅,中间结果务必用浮点。

下一篇讲时间轴。声音对齐到样本、画面对齐到帧,这两把尺子的刻度并不整除,29.97fps 的素材放到 30fps 时间线上,一小时就能差出三秒多。混音里那些「听着有点不对」的偏移,很多时候不是电平问题,而是时间戳从一开始就没对齐。