本文介绍使用 FFmpeg 的 apad 与 amerge 滤镜组合，将较短语音（如配音）无缝叠加到较长背景音上，并确保输出时长与背景音一致。

本文介绍使用 ffmpeg 的 `apad` 与 `amerge` 滤镜组合，将较短语音（如配音）无缝叠加到较长背景音上，并确保输出时长与背景音一致。

在音频处理中，常见的需求是将一段较短的人声（如旁白、配音）叠加或拼接到一段较长的背景音乐上，并让最终输出的音频时长与背景音保持一致——即背景音完整保留，人声在其起始位置播放完毕后静音填充至结尾。此时若直接使用 amerge，FFmpeg 默认以最短输入流为基准截断，导致输出仅保留 30 秒（对应 voz.wav），无法满足需求。

正确做法是：先对较短音频（voz.wav）应用 apad（audio pad）滤镜，将其静音延展至与背景音等长；再通过 amerge 将延展后的人声轨与背景音轨混合（即“叠加”而非“拼接”）。注意：此处逻辑实为多轨混音（mixing），而非字面意义的“串联（concatenation）”，因目标是保留背景全长 + 叠加人声，而非首尾相接。

✅ 推荐命令如下：

ffmpeg -y \
  -i voz.wav \
  -i background.wav \
  -filter_complex "[0]apad[a];[a][1]amerge[aout]" \
  -map "[aout]" \
  -c:a libmp3lame -q:a 4 output.mp3

? 关键说明：

• [0]apad[a]：对第一个输入（voz.wav）执行无限静音填充（默认 padlen=0 即自动延展至最长输入流长度）；
• [a][1]amerge[aout]：将延展后的人声轨 [a] 与第二个输入（background.wav）合并为立体声/双声道输出（若需单声道可加 pan=mono|c0=c0+c1）；
• -map "[aout]" 显式指定输出流，避免 FFmpeg 自动选择导致意外行为；
• -c:a libmp3lame -q:a 4 保持高质量 MP3 编码（q:a 4 约等于 165–190 kbps）。

⚠️ 注意事项：

• 若 voz.wav 实际需精准对齐起始时间（如从第 2 秒开始播放），应先用 adelay 滤镜偏移，再 apad；
• apad 默认启用 whole_len 模式（FFmpeg ≥ 4.3），自动匹配最长输入；旧版本建议显式写为 apad=pad_len=0；
• 确保两音频采样率、声道数一致，否则 amerge 可能报错；可提前用 -ar 44100 -ac 2 统一规格；
• 如需真正“首尾拼接”（concatenation）且拉伸较短音频至背景时长，请改用 atrim + asetpts + concat，但会失真，不推荐。

该方案兼顾鲁棒性与实用性，适用于 PHP、Python 或 Shell 脚本自动化调用，是专业音视频处理中的标准实践。