把 47 首演唱會曲目的掌聲尾巴裁齊後，我留下一個可重跑的腳本

上個月整理一批 2018–2023 的現場錄音，總共 47 首曲目，都是 44.1kHz/16bit WAV，從三張不同場次的專輯抓出來。問題很一致：每首歌結尾的掌聲沒有乾淨收掉，直接接到下一首開頭，用 foobar2000 連續播放時，情緒會被硬生生切斷。我想要的不是把掌聲全刪掉，而是讓尾巴收在合理的長度，大約 1.2 到 1.8 秒，聽起來像自然收尾。

做法分兩步。先用 ffmpeg 的 silencedetect 找出每首歌結尾附近的靜音邊界，指令是：

ffmpeg -i input.wav -af silencedetect=noise=-35dB:d=0.6 -f null -

輸出的 silence_end 就是候選切點。但直接裁會太生硬，所以我保留最後一個 silence_start 前 0.3 秒的掌聲，再往後補 0.2 秒的淡出。實際處理用 Python 呼叫 ffmpeg：

python trim_tail.py --input in.wav --output out.wav --cut 123.45 --fade 0.2

腳本裡用 atrim 和 afade 組合，確保不會爆音。

為什麼這樣做：掌聲的能量曲線在結尾通常不是單調下降，而是有幾個峰值。silencedetect 抓的是能量低於門檻的區間，我用 -35dB 是因為這批錄音的底噪大約在 -40dB 左右，設太低會抓不到，設太高會把樂器尾韻也切掉。保留 0.3 秒是取捨：太短像被哢掉，太長又拖沓。代價是每首歌都要人工確認一次候選切點，47 首我花了大概兩小時。

失效的地方很明顯：如果結尾不是掌聲而是樂器自然衰減，silencedetect 會把衰減段當成靜音，裁下去會少掉最後一個和弦。我就踩過一次，一首鋼琴收尾的曲子被切掉 0.8 秒，聽起來像斷氣。所以後來我加了一個檢查：切點前 1 秒的平均音量不能低於 -30dB，否則跳過。另外，如果錄音本身有觀眾尖叫或口哨，能量不會掉到門檻以下，silencedetect 就找不到邊界，這種情況只能手動標。

腳本我放在自己的 gist，沒有公開，因為它依賴 ffmpeg 的版本，我測試的是 6.0，不確定 5.x 的行為是否一致。你們在處理現場錄音尾巴時，是寧可保留多一點掌聲，還是切到剛好？我目前偏向前者，但連續聽十首會有點膩。