你下载了一场演唱会的官方录像，想把台上的对白提出来做字幕素材，结果提取工具吐出来的是一条纯配乐；换个工具再试，这次出来的是导演评论音轨，两个陌生人在点评舞台设计。视频明明只有一个，声音却有好几条------而你想要的始终不是被提出来的那一条。
很多人以为「一个视频 = 画面 + 一条声音」，提取音频就是从唯一的音轨里把声音倒出来。其实不是。现代视频容器更像一个文件柜：视频流、音频流、字幕流都是独立的格子，音频格子可以挂好几条------国语轨、粤语轨、导演评论轨、配乐轨、无障碍描述轨，各管各的。播放器替你做了「放哪条」的决定，提取工具也要做一个同样的决定，而两者的决定依据并不一样。搞懂这套选择规则，才能解释「为什么提出来的是这条」，进而控制「我要那条」。
视频里的音频不是一条带，是一叠带索引的流
先建立正确的模型。MP4、MKV、MOV 这类封装格式的职责是「装」，里面每一条流（stream）都有三样东西：一个流索引（从 0 开始编号的序号）、一组元数据（编码格式、采样率、声道数、语言码、标题），以及若干标志位（flag）。一条蓝光原盘的 MKV 里常见 1 条视频流挂 3~6 条音频流再加十几条字幕流，彼此独立，谁也不包含谁。
这里有个容易混淆的点：你平时感受到的「默认音轨」并不是物理上的第一条。播放器启动时读的是每条音频流的默认轨标志（default flag）------元数据里的一位开关，制作方用它来建议「优先播我」。而提取工具走的是另一条路：按流索引遍历，找到「第一条音频流」就开工。一个看标志位，一个看物理顺序，两套逻辑对不上的时候，就是你听到国语、提出来的却是配乐的时候。
规则一：默认轨标志只是建议，不是物理顺序
默认轨标志是写在元数据里的提示，回答的问题是「如果用户不挑，该放哪条」。它有三个工程上的坑。
其一，它依赖制作方正确设置。流媒体平台出的片源通常规范，但民间压制组做的 MKV 经常忘了设、设错、或者干脆多条轨都设了 default------标志位的约束力约等于零，播放器和工具都只能「尽量尊重」。
其二，不同播放器对这个标志的处理优先级不同：有的优先匹配系统语言，在中文系统上即使你设了英语轨为默认，它也照播国语轨。你在播放器里验证的「默认」，换到提取工具的环境里根本不成立。其三，也是最关键的：相当一部分提取工具的代码里压根不读这个标志。对它来说，default flag 不存在，存在的只有流索引。
所以「播放器默认放的就是我提取到的」这个等式，从设计上就不成立。
规则二：提取工具认的是流索引，多数只取第一条音频流
打开任何一个基于 FFmpeg 系的提取流程，核心动作是流映射（stream mapping）。不指定任何选择参数时，FFmpeg 的默认行为是「每种流类型各选一条质量最好的」------对音频来说，通常是声道数最多、码率最高的那一条，而不是第一条，更不是你想要的那条。很多网页工具为了简化，则直接写死「取第一条音频流」（流索引里第一个类型为 audio 的）。
这就解释了选错轨的典型表现：原片第一条音频流是配乐轨或评论轨，对白轨排在第二，你不做指定，工具就把第一条剥给你。「提取出来是配乐不是对白」不是工具坏了，是它的默认规则和你的预期不一致。
应对方法很直接：先看流清单，再按索引指定。用 ffprobe 把流全列出来：
ffprobe -v error -show_entries stream=index,codec_type,codec_name:stream_tags=language,title input.mkv
输出里每条流的 `index`、`codec_type`、`language`、`title` 一目了然。确认对白轨的索引（比如是 2），再用 `-map 0:2` 显式指定提取。两步走完，选轨就从「碰运气」变成「查表」。
规则三：认轨靠元数据三件事，不听也能选对
流清单拿到了，多条音频流里哪条是对白、哪条是配乐？不用逐条提出来听，元数据里三件事基本够判断。
第一看语言码（language tag）。`chi`/`zho` 是中文，`eng` 是英文，`jpn` 是日文。对白轨一定带语言码，配乐轨通常没有语言码或者标 `und`（未定义）。第二看标题（title）。
规范的片源会给评论轨标 `commentary`、给描述轨标 `descriptive`、给配乐轨标 `score` 或 `music only`，标题字段是制作方留的便签。第三看流参数。声道数是个强信号：评论轨和描述轨经常是 2.0 立体声，主对白轨在高清片源里多是 5.1 甚至 7.1；码率也类似，配乐轨和评论轨的码率通常明显低于主音轨。三个信号交叉验证，判断准确率很高。
容器格式也影响你要面对的局面。MP4 出于兼容性考虑通常只封装一条音轨，基本不存在选轨问题；MKV 则是多轨的重灾区------它设计上就鼓励挂多条轨。所以「这个视频提出来不对」的抱怨，绝大多数来自 MKV 片源。
不同场景下的选轨操作
日常场景里，如果只是想快速把视频里的声音拿出来用，不一定每次都走命令行。在线网站提取流程封装好了，上传文件就能出音频，适合单音轨或者「就要默认那条」的需求。
能力边界：选轨这件事，三类情况救不了
第一，工具读不到的轨，谁也选不了。部分流媒体缓存文件是私有封装或分片加密的，流清单根本列不出来，那不是选轨规则问题，是封装不可读。
第二，混成一条的救不了。如果片源本身就是「对白+配乐」已经混缩成一条立体声轨，多轨选择无从谈起------那已经进入人声分离的问题域，是另一类技术。
第三，元数据全丢的片源只能靠抽听。有些转压多次的片子语言码、标题全被抹掉，所有轨都是「无名氏」，任何工具都只能让你逐条试。
落到操作：上传前先看清单
把上面的规则落成流程，是三步。
第一步，本地先跑 ffprobe 或直接用播放器的「媒体信息」面板，确认这个视频有几条音频流、各自是什么。MP4 一条轨的，跳过第二步直接提取。
第二步，多轨的按语言码、标题、声道数三件事定位目标轨的索引。
第三步，用支持选轨的方式提取。AIFooler 处理的是你上传的本地视频文件，不支持粘贴链接在线抓取解析------网课、演唱会录像这类线上内容需要先下载到本地再上传。对单音轨视频它直接出声轨；多音轨视频建议先按第二步确认目标轨确实是默认会被提取的那条，不一致就先用 FFmpeg 按索引剥出来，再交给后续处理。
选轨的本质是「别让别人替你猜」
播放器替你猜一次，提取工具再替你猜一次，两次猜测的规则还不一样------「提出来的不是想要的」就是两次猜测撞车的结果。打破它的办法只有一步：把「哪条轨」从隐式约定变成显式指定。看过一次流清单，这个问题就永远不会再困扰你。