给视频换一条音轨------比如重录了旁白要替换原来的声音------很多人的第一反应是「这得重新导出整个视频吧？画质肯定要受损」。其实不用。视频文件是一个容器，视频流和音频流是分开存放的，替换音轨只需要在容器层面操作，视频流可以一个字节都不动。
这篇文章把替换音轨的三个关键技术点讲清楚，帮你理解为什么「换声音」可以是无损的。
关键一：容器是皮，流是馅------替换只动皮不动馅
常见的视频文件格式（MP4、MKV、MOV、AVI）本质上都是容器（container）。容器像一个盒子，里面装着多条流（stream）：一条视频流、一条或多条音频流、可能的字幕流和元数据。
视频流和音频流在容器里是独立编码、独立存储的。替换音轨的本质是：把容器里原来的音频流删掉，把新的音频流放进去，视频流原封不动。
用 FFmpeg 做这个操作只需要一行命令：
ffmpeg -i input.mp4 -i new_audio.wav -c:v copy -c:a aac -b:a 192k -map 0:v:0 -map 1:a:0 output.mp4
这里 `-c:v copy` 的意思是视频流直接拷贝，不重新编码。整个过程中视频数据只是从输入文件读出来、写进输出文件，没有任何解码-再编码的过程。画质完全不损失。
唯一被重新编码的是音频流（`-c:a aac`），因为新的音频文件（比如 WAV）需要转成容器支持的编码格式（AAC）。这只影响音频，不影响画面。
所以回答标题的问题：换原声不需要重新压缩视频，只需要重新封装（re-muxing）。整个过程几秒钟就能完成，比重新导出快几十倍。
关键二：音轨映射决定新音频替换哪一条
`-map` 参数是替换音轨的核心，但很多初学者忽略它，结果替换出来的文件带着两条音轨------旧的声音和新的声音叠在一起。
FFmpeg 的 `-map` 参数告诉它从哪个输入文件取哪条流：
-map 0:v:0 # 从第 0 个输入文件（input.mp4）取第 0 条视频流
-map 1:a:0 # 从第 1 个输入文件（new_audio.wav）取第 0 条音频流
如果不写 `-map`，FFmpeg 默认会从每个输入文件各取一条「最好的」流。当 input.mp4 自带一条音轨、new_audio.wav 又有一条音轨时，输出文件就会包含两条音频流------旧的原声和新的录音都在里面。
播放时默认播放第一条音轨（通常是旧的），听起来就像没换一样。很多「替换音轨失败」的案例，根因就是漏了 `-map`。
还有一个容易踩的坑：MP4 容器对多音轨的支持有限。 大多数播放器和平台只认第一条音轨。如果你输出的是 MKV 格式，多音轨没问题；但 MP4 场景下最好确保输出文件只有一条音轨。
关键三：时间戳对齐------音画不同步的根因
替换了音轨，结果声音比画面快了一秒或慢了半秒，这是替换音轨时最常见的问题。根因是时间戳（timestamp）不对齐。
视频文件里每条流都有自己的时间戳：
• PTS（Presentation Time Stamp）：这一帧应该在什么时刻被显示/播放
• DTS（Decoding Time Stamp）：这一帧应该在什么时刻被解码
新录制的音频文件从 0 秒开始，但如果原视频的音轨不是从 0 秒开始的（比如片头有 1.5 秒的黑屏静音），直接替换就会导致新音频从视频开头就播放，而原音轨本该在 1.5 秒后才开始。
解决方法是用 `-itsoffset` 或 `-ss` 参数调整新音频的起始时间：
新音频延迟 1.5 秒开始
ffmpeg -i input.mp4 -itsoffset 1.5 -i new_audio.wav \
-c:v copy -c:a aac -map 0:v:0 -map 1:a:0 output.mp4
或者，如果新音频太长需要截断对齐视频时长：
音频和视频都截取到最短的时长
ffmpeg -i input.mp4 -i new_audio.wav \
-c:v copy -c:a aac -map 0:v:0 -map 1:a:0 -shortest output.mp4
`-shortest` 参数让输出文件的时长等于最短的那条流，防止音频比视频长导致的「视频结束了声音还在播」。
封装格式决定你能装几条音轨
最后补充一个实用知识：不同容器对多音轨的支持程度不同。
如果你做的是需要保留多语言配音的视频（比如教学视频有中文版和英文版旁白），MKV 是最安全的容器。如果最终要上传到视频平台（B 站、YouTube），它们通常只接受单音轨的 MP4。
对于只需要提取视频音轨做进一步处理的场景（比如先在线视频提取音频，做完降噪后再替换回去），整个流程也是无损的------提取是解封装（demuxing），替换是重封装（re-muxing），视频流全程不参与编解码。
理解了容器、映射和时间戳这三个概念，替换音轨就是一个 30 秒的操作，而不是一次重新导出。画质不变，效率提升几十倍。对于频繁需要替换旁白的视频创作者来说，这个知识点值回所有学习时间。