pydub音频切片与格式转换：ffmpeg依赖与毫秒切片实践

脚本专家

pydub 是一个轻量音频处理库，核心价值在于用 Python 对象封装音频片段，切片、拼接、导出都围绕 AudioSegment 展开。它不直接完成 MP3、AAC、FLAC 等格式的编解码，而是调用 ffmpeg 和 ffprobe。因此安装 pydub 只是一行命令，真正决定脚本能否运行的是 ffmpeg 是否可用。

一、环境准备与 ffmpeg 检查

安装 pydub：

2. pip install pydub
3. poetry add pydub
4. uv add pydub

复制代码

验证版本更稳妥：

2. from importlib.metadata import version
3. print(version('pydub'))

复制代码

原文提到 pydub.__version__ 在较新版本中可能不存在。

ffmpeg 安装方式：Windows 可用 winget install ffmpeg，并把 bin 目录加入 PATH；macOS 用 brew install ffmpeg；Ubuntu/Debian 用 sudo apt update && sudo apt install ffmpeg；CentOS/RHEL 用 sudo yum install epel-release && sudo yum install ffmpeg。安装后执行 ffmpeg -version 验证。

如果 ffmpeg 不在 PATH，可手动指定：

2. from pydub import AudioSegment
3. from pydub.utils import which
4. AudioSegment.converter = '/usr/local/bin/ffmpeg'
5. AudioSegment.ffprobe = '/usr/local/bin/ffprobe'
6. print(which('ffmpeg'))

复制代码

AudioSegment.ffprobe 也要指向正确路径，因为读取音频时长、采样率等元数据时会调用 ffprobe。

快速验证环境：

2. from pydub import AudioSegment
3. silence = AudioSegment.silent(duration=1000)
4. print(f'时长: {len(silence)}ms, 声道数: {silence.channels}, 帧率: {silence.frame_rate}Hz')
5. silence.export('test.wav', format='wav')

复制代码

如果抛 FileNotFoundError 或 Couldn't find ffmpeg，优先检查 ffmpeg。Python 3.12+ 导入 pydub 报 ModuleNotFoundError 时，可能是 pip 指向了错误解释器，可用 python -m pip install pydub。

二、AudioSegment 创建与核心属性

从文件创建：

2. from pydub import AudioSegment
3. song = AudioSegment.from_file('demo.mp3', format='mp3')
4. wav_audio = AudioSegment.from_wav('demo.wav')
5. raw_ogg = AudioSegment.from_ogg('demo.ogg')

复制代码

format 可省略，但显式指定能避免 .m4a 等扩展名歧义。中文路径建议先用 pathlib.Path 处理，再用 str() 传入。

从原始 PCM 数据创建：

2. import wave
3. with wave.open('voice.wav', 'rb') as wf:
4.     raw_data = wf.readframes(wf.getnframes())
5.     seg = AudioSegment(
6.         data=raw_data,
7.         sample_width=wf.getsampwidth(),
8.         frame_rate=wf.getframerate(),
9.         channels=wf.getnchannels()
10.     )

复制代码

data 必须是 bytes，sample_width、frame_rate、channels 三个参数缺一不可，且必须与实际数据匹配，否则播放或导出会破音或静音。

核心属性：

2. print(seg.frame_rate)
3. print(seg.channels)
4. print(seg.sample_width)
5. print(seg.duration_seconds)
6. total_frames = seg.frame_count()
7. byte_rate = seg.frame_rate * seg.channels * seg.sample_width

复制代码

duration_seconds 是浮点秒，切片时用毫秒整数更精确。不要用 seg.duration_seconds * 1000 做右边界，因为浮点误差可能多切或少切 1ms。安全做法是用 len(seg) 或 seg.frame_count()。AudioSegment 不可变，set_frame_rate、set_channels、set_sample_width 等方法都返回新对象。批量处理时注意复用短片段，避免反复从源文件加载。

三、切片、拼接与导出

切片单位是毫秒：

2. song = AudioSegment.from_mp3('input.mp3')
3. clip = song[10000:20000]
4. head = song[:5000]
5. tail = song[30000:]
6. last_3s = song[-3000:]

复制代码

start 超出总长度会返回空对象；end 大于总长度会自动截到末尾，不会补静音。

拼接用加号：

2. intro = AudioSegment.from_wav('intro.wav')
3. outro = AudioSegment.from_wav('outro.wav')
4. full = intro + outro
5. combined = song[:5000] + song[10000:15000] + song[-3000:]

复制代码

拼接要求声道数、帧率、采样宽度一致。不一致时先统一：

2. mono = AudioSegment.from_wav('mono.wav')
3. stereo = mono.set_channels(2)
4. ok = stereo + outro

复制代码

导出与格式转换：

2. clip.export('output.wav', format='wav')
3. clip.export('output.mp3', format='mp3', bitrate='192k')
4. clip.export('output.ogg', format='ogg')
5. from io import BytesIO
6. buf = BytesIO()
7. clip.export(buf, format='mp3')
8. buf.seek(0)

复制代码

format 可省略，会根据扩展名推断，但显式指定更稳。format 与扩展名不一致时以 format 参数为准。空切片 export 会生成 0 字节文件，需要自行判断 len()。

批量切片示例：

2. source = AudioSegment.from_file('podcast.mp3')
3. segments = {
4.     'opening': source[:15000],
5.     'middle': source[60000:90000],
6.     'ending': source[-10000:],
7. }
8. for name, seg in segments.items():
9.     seg.export(f'{name}.wav', format='wav')
10.     seg.export(f'{name}.ogg', format='ogg')

复制代码

四、完整示例：截取 MP3 前 30 秒并转 WAV

脚本：

2. from pydub import AudioSegment
3. from pathlib import Path
4. import sys
6. def cut_and_convert(input_path: str, output_path: str, duration_ms: int = 30_000):
7.     try:
8.         if not Path(input_path).exists():
9.             raise FileNotFoundError(f'输入文件不存在: {input_path}')
10.         audio = AudioSegment.from_mp3(input_path)
11.         print(f'原始音频时长: {len(audio)} ms, 声道数: {audio.channels}, 采样率: {audio.frame_rate} Hz')
12.         actual_duration = min(duration_ms, len(audio))
13.         segment = audio[:actual_duration]
14.         segment.export(output_path, format='wav')
15.         print(f'成功导出: {output_path} (实际时长 {len(segment)} ms)')
16.         return True
17.     except FileNotFoundError as e:
18.         print(f'文件错误: {e}', file=sys.stderr)
19.     except Exception as e:
20.         print(f'处理失败: {type(e).__name__}: {e}', file=sys.stderr)
21.         print('若提示 ffmpeg 相关错误，请先安装 FFmpeg 并确认可被系统找到。', file=sys.stderr)
22.     return False
24. if __name__ == '__main__':
25.     success = cut_and_convert('podcast.mp3', 'intro_30s.wav')
26.     if not success:
27.         sys.exit(1)

复制代码

说明：from_mp3 内部调用 ffmpeg 解码；len(audio) 返回毫秒。min 是防御性写法，原音频不足 30 秒时不会误报。export 中 format='wav' 指定容器；WAV 无损，不需要 bitrate。异常捕获包括 ffmpeg 缺失、解码失败、权限错误等。若源为 3 分 20 秒，输出原始时长 200000 ms、双声道、44100 Hz，导出 30000 ms，文件约 5.3 MB。不要用 audio[:duration_seconds * 1000] 切片，浮点误差可能切出 30001ms。

五、进阶：音量、淡入淡出与循环拼接

音量调整：

2. song = AudioSegment.from_file('intro.mp3', format='mp3')
3. louder = song.apply_gain(3.0)
4. quieter = song.apply_gain(-10.0)
5. louder.export('intro_louder.mp3', format='mp3')
6. quieter.export('intro_quieter.mp3', format='mp3')

复制代码

apply_gain 参数是分贝，不是线性百分比。+6dB 约等于音量翻倍，-6dB 约减半。要线性降低 50%，可用 20 * log10(0.5) 约等于 -6.02，传 -6 近似。

淡入淡出：

2. clip = song[10000:18000].fade_in(1000).fade_out(2000)
3. clip.export('clip_with_fade.mp3', format='mp3')

复制代码

fade_in 和 fade_out 单位毫秒，返回新对象，可链式调用。淡入时长不能超过音频总长度。

多段拼接与循环：

2. part1 = AudioSegment.from_file('part1.mp3')
3. part2 = AudioSegment.from_file('part2.mp3')
4. part3 = AudioSegment.from_file('part3.mp3')
5. part1 = part1.set_channels(1).set_frame_rate(44100).set_sample_width(2)
6. part2 = part2.set_channels(1).set_frame_rate(44100).set_sample_width(2)
7. part3 = part3.set_channels(1).set_frame_rate(44100).set_sample_width(2)
8. combined = part1 + part2 + part3
9. combined.export('combined.mp3', format='mp3')
10. loop_audio = combined * 3

复制代码

拼接前统一格式，避免帧率、声道、采样宽度不一致引发异常或隐式转换。audio * n 会生成完整新对象，循环次数极大时注意内存。

组合提示音：

2. source = AudioSegment.from_file('source.wav')
3. melody_a = source[0:3000].fade_in(200).fade_out(300)
4. melody_b = source[5000:8000].fade_in(150).fade_out(250)
5. melody_a = melody_a.set_channels(1).set_frame_rate(44100)
6. melody_b = melody_b.set_channels(1).set_frame_rate(44100)
7. loop_sound = (melody_a + melody_b) * 2
8. loop_sound.export('loop_notification.wav', format='wav')

复制代码

先切片再 fade 通常更高效；先 fade 再切片会截断淡出效果。

六、常见坑与适用场景

没有 ffmpeg 时，pydub 只能处理 WAV 和原始 PCM，MP3、AAC、FLAC 都会失败，常见报错为 FileNotFoundError、Couldn't find ffmpeg。AudioSegment.ffprobe 也要正确指向，否则读取元数据可能出错。sample_width=2 是 16-bit，sample_width=3 可能是 24-bit AIFF，直接转 MP3 会有转换开销，建议先 set_sample_width(2)。pydub 适合脚本化批量切片、播客片段提取、提示音拼接、格式转换、网页音频预处理等场景；超长音频或极大循环次数应评估内存，必要时改用 ffmpeg 命令行。