用 ffmpeg 给动机录音做响度对齐，我踩到静音段的坑

写歌时我习惯在手机上录动机，一般是弹一段吉他或者哼一段旋律，时长 20 秒到 1 分钟。攒到 40 多条的时候问题来了：在播放器里连着放，有的响得吓人，有的得把音量拧到头。我决定用 ffmpeg 统一处理，版本是 6.0，环境是 macOS，素材是 43 条 m4a，单条 300KB 上下，总量不到 20MB。

做法很简单，先测再调。第一步用 loudnorm 的测量模式拿到每条的真实响度：

for f in *.m4a; do
  ffmpeg -hide_banner -i "$f" -af loudnorm=print_format=json -f null - 2>&1 \
    | sed -n '/^{/,/^}/p' > "${f%.m4a}.json"
done

第二步按目标 -16 LUFS 统一转一遍，我习惯把成品放到 out/ 里，不动原始文件：

mkdir -p out
for f in *.m4a; do
  ffmpeg -hide_banner -y -i "$f" \
    -af loudnorm=I=-16:TP=-1.5:LRA=11 \
    -c:v copy -c:a aac -b:a 192k "out/$f"
done

第三遍再测一次 out/ 里的文件，确认落点。我的 43 条里有 41 条落在了 -16.5 到 -15.7 之间，剩下两条偏了 2 dB 以上，后来是单独手动处理掉的。

为什么用 loudnorm 而不是简单的 volume 增益：动机录音的峰值和平均响度关系每一条都不一样，哼唱那条峰值很尖但整体很虚，光看峰值调会把它压得更虚。loudnorm 是按感知响度来的，代价是它要做两遍分析，而且会限制动态范围——对我这种只求「连着听不跳音量」的素材可以接受，但如果哪天要拿去做混音参考，我就不敢这么干了。

哪里会失效：一是开头或结尾有大段静音的录音。loudnorm 会把静音也算进整体统计，结果把真正有内容的部分推得过高，我有一条前奏留了 8 秒空白的，直接被推到削波边缘，只能先裁掉再跑。二是极短的片段，十几秒以下的，测量结果不稳，同一段跑两次能差 1 dB。三是手机上录的 m4a 有的是可变帧率，-c:v copy 在某些条上会报错，去掉这个参数就好了。还有一点我不太确定：loudnorm 对单声道素材的处理是否和立体声一致，我没做对照测试。

现在我的流程是：先粗听一遍把带长静音的挑出来裁掉，再统一跑。想问一下大家，动机这种半成品素材，你们是按统一响度归档，还是保留原始音量只做标注？