把 43 場現場錄音的掌聲剪掉：我用 ffmpeg 靜音偵測的邊界

手上有一批 43 場現場錄音，多是 audience 錄音轉出來的 FLAC，取樣率 44.1kHz、16bit，每場大約 45 到 90 分鐘。問題不在音質，而在曲與曲之間：一段十幾秒的鼓掌、講話、椅子聲，讓整張專輯在隨機播放時聽起來很碎。我想把每首曲子前後的觀眾聲壓到一個固定的短尾巴，保留現場感，但不要每次切歌都先聽五秒拍手。

做法是先用 ffmpeg 的 silencedetect 掃一遍，找出「安靜到不像音樂」的區段，再人工核對。指令大概這樣：

ffmpeg -i live.flac -af silencedetect=noise=-35dB:d=1.5 -f null - 2>&1 | grep silence_

-35dB 是我在幾場錄音上試出來的，太低會把安静的段落誤判成掌聲尾，太高又抓不到。d=1.5 是要求至少 1.5 秒的靜音才算候選，避免把樂句之間的短停頓切掉。掃出來的 start/end 我用一個小腳本轉成 ffmpeg 的 atrim 段落，把候選區間前後各留 0.3 秒，其餘用 afade 做 80ms 的淡出，而不是硬切。

為什麼不直接切掉？因為掌聲通常和殘響黏在一起，硬切會在波形上留下明顯的斷點，耳機裡聽得到「啪」的一聲。留 0.3 秒加淡出，代價是每首歌的頭尾多了幾百毫秒的觀眾聲，但換來的是切點不會被聽出來。另外我沒有用自動刪除整段靜音，因為現場錄音的安靜段落有時是樂手在數拍，刪掉會讓進歌點錯位。

這套方法失效的地方很具體：第一，熱烈的場次裡觀眾從頭到尾沒停過，silencedetect 幾乎抓不到候選，我最後手動標了 11 首；第二，有些錄音的底噪在 -40dB 左右，偵測門檻得整場往上調，否則整首都是「靜音」；第三，掌聲裡夾著口哨或喊叫時，-35dB 的門檻會漏掉，得靠耳朵補。我自己就有一場因為底噪偏高，跑完之後整張專輯的動態被壓平，只能整批退回原始檔重做。

現在這 43 場裡，有大約三成是我手動改過切點的。自動化只負責把候選位置標出來，最後那一刀還是由耳朵決定。你們在處理現場錄音時，是接受曲間掌聲原樣保留，還是也會壓短？如果會，門檻和淡出長度大概抓多少？