把 92 首現場曲目的掌聲尾巴裁齊，我留下的一個腳本

手上一批 90 年代的現場靴腿，多數是從 CD 轉出來的 16bit/44.1kHz wav，也有幾張是 128k mp3 轉回來的假無損。問題不在音質，是每首歌結尾的掌聲長短不一：短的 1.2 秒就切掉，長的拖到 6 秒，做成歌單後節奏全亂。量不大，92 首，但手動剪會瘋。

我的做法是先用 ffmpeg 的 silencedetect 找尾巴的靜音段落，再回頭從峰值位置切。關鍵是門檻不能全域固定，掌聲的殘響跟場地大小差很多。我最後用兩段式：先粗掃 -50dB、0.8 秒，把候選點列出來，再對每首歌檢查最後一個「非靜音」段落的結尾。

ffmpeg -i in.wav -af "silencedetect=noise=-50dB:d=0.8" -f null - 2>&1 \
  | grep silence_end | tail -1

拿到時間點後，我沒有直接切在 silence_end，而是往回退 250ms，因為鼓掌的尾音通常比 -50dB 的判定晚一點消失。裁切用 stream copy 不重編碼：

ffmpeg -i in.wav -ss 0 -to 03:41.750 -c copy out.wav

這樣做的代價是時間點只能落在 frame 邊界，44.1kHz 下大約 23ms 的誤差，但對掌聲尾巴來說聽不出來，換來的是完全不動音訊。

為什麼不統一裁成固定長度？我試過，結果是有些歌的尾奏被吃掉，尤其是鋼琴收尾的那幾首。反過來說，全部保留原長也不行，歌單聽起來像在等鼓掌。

會失效的地方有三個。一是觀眾跟著唱到最後的歌，人聲會被判定成非靜音，退 250ms 就會切到人聲。二是 mp3 轉出來的那幾張，silencedetect 的門檻要放寬到 -45dB，不然整首都是「靜音」。三是我踩過最痛的一次：有首歌中間有 3 秒的停頓，tail -1 抓到的其實是中間那個點，整首被砍掉一半。後來我改成先確認 silence_end 大於總長度的 70% 才採用。

腳本現在跑一次大約 40 秒，92 首裡有 11 首需要手動複查，主要就是上面那三類。

你們在處理現場錄音的時候，是切在掌聲開始前，還是讓它自然淡出？我一直在這兩種之間搖擺。