用一首現場曲目的三軌動態，我把耳機監聽的誤差抓出來

上個月整理一批 2023 年前後的現場錄音，來源多是混音師給的 24bit/48kHz 立體聲母帶，少數幾場是從串流抓下來的 AAC。我想解決的問題很具體：同一首歌在耳機上聽起來「人聲偏後」，但在喇叭上又正常。我先假設是自己耳朵的問題，直到把同一首的三個版本併排看，才發現是動態處理的落差。

做法不複雜。我用 ffmpeg 先把三軌轉成統一格式，再取 RMS 與短時能量曲線：

ffmpeg -i in.flac -af "astats=metadata=1:reset=1,ametadata=print:key=lavfi.astats.Overall.RMS_level" -f null -

短時曲線我用 100ms 窗、50ms hop，只看人聲主段，把三個版本的曲線疊在同一個座標上。差最多的不是整體音量，而是副歌進來那 2 秒：A 版幾乎沒有壓縮，B 版把峰值壓了約 4dB，C 版則是限幅器在 0.3 秒內拉回。這解釋了為什麼耳機上人聲會退——耳機的密閉性讓壓縮痕跡更明顯。

代價是時間。三軌要對齊到同一個時間基準，我手動調了三次 offset，每次約 20ms 級別，對不齊的話曲線會抖到看不出東西。另一個代價是我放棄了「聽感優先」的判斷，純看數據，這在處理掌聲段落時反而容易過度剪裁。

會失效的地方我踩過兩個。第一，串流抓下來的 AAC 本身有編碼延遲，直接跟母帶比會多出約 100ms 的位移，要用靜音段重新對齊。第二，如果原曲有大量殘響，短時能量曲線的尾巴會把壓縮痕跡蓋掉，這時候 RMS 曲線比短時曲線可靠。我後來只拿 RMS 當主判斷，短時曲線當輔助。

這批做完我留下一個可重跑的對齊腳本，但沒有放進公開清單，因為它依賴我手動標的 offset。

你們在比對不同來源的同一首歌時，是怎麼處理編碼延遲造成的位移？我目前只用靜音段對齊，想聽聽別的做法。