视频提取音频，视频里的 5.1 音轨提出来只剩两声道？下混矩阵与电平的损耗

你从一场演唱会蓝光里扒出一条音轨，准备剪成播客片头。原片在家庭影院里听，人声稳稳落在屏幕中央，包围感一圈一圈铺开。可导进剪辑软件一看，波形只有两条，人声缩在中间，音量比原片小了一截，观众席的欢呼反而更靠前。

更怪的是，同一段素材，有人扒出来是好的，有人扒出来发闷。设备不一样？软件不一样？其实多数时候，差别不在导出按钮，而在「5.1 变 2.0」这一步究竟由谁做、用什么系数做。

第一个误解：提取视频里的音频一定会掉音质。

不一定。视频文件是一个容器，画面和声音是两条独立的流。把音频流原样取出来、不重新编码，这个过程叫解复用（demux），出来的数据与容器里的原始数据逐字节一致。真正会掉音质的动作只有一个------重编码。

第二个误解：5.1 转立体声只是「把六个声道合起来」。

也不是。六个声道不是等权相加的。中置声道里装着对白和主唱，环绕声道装着环境与混响，低频声道装的是 20--120Hz 的独立内容。它们各自的权重、相位、甚至是否参与，由一套下混（downmix）矩阵规定。系数用错，人声就会被摊薄；相位处理不当，某些成分会互相抵消，怎么拉音量都回不来。

先把链路拆开。一条 5.1 音轨在 ffmpeg 里可以这样看：

bash 复制代码

ffprobe -v error -select_streams a:0 \

-show_entries stream=codec_name,channels,channel_layout,sample_rate \

-of default=nw=1 input.mkv

之所以不是 1.0，是因为中置和环绕要同时进入左右两条通道，等权相加会让总能量翻倍，轻则削波，重则整体响度被推高 3dB 以上。系数不是随便定的，对应的是功率守恒，而不是听感守恒。

对白、主唱、军鼓、贝斯的中频主体，在 5.1 混音里几乎都压在中置。下混时它被乘以 0.707 再平均分到左右，能量上损失约 3dB。与此同时，L 和 R 里的伴奏是原样保留的。结果就是人声相对伴奏退后了一截。

这不是 bug，是设计取舍：家庭影院的中置音箱通常比左右主箱小，下混要防止中置过载。但对只想听人声的人来说，这一刀正好切在最要紧的地方。

补救办法不是简单拉高中频。更稳的做法是保留六声道做一次中置的音频提取处理，或者在下混时把 `center_mix_level` 提到 0.8～0.9，再用限制器兜住峰值。

LFE 声道装的是 120Hz 以下的独立低频效果，爆炸、鼓的冲击、影院里的次声铺垫。绝大多数下混矩阵给它的系数是 0------直接不参与。

原因很实际：LFE 的电平标定比其他声道高 10dB，直接混进立体声极易削波。所以标准做法是丢掉它，让低频靠左右主声道里的低频内容来撑。

代价是：如果你扒的是一段以低频效果为卖点的素材，下混之后下盘会明显变薄，而且这部分内容不是「被衰减」，是「不存在于输出里」。任何后期 EQ 都补不回来。

蓝光和流媒体视频的音轨里常带元数据：dialnorm（对白归一化电平）、DRC（动态范围压缩）、下混引导系数。这些字段在解复用后还在，一旦重编码就全部丢失。

丢失的直接后果是响度基准变了。原片可能按 -27LKFS 的对白基准制作，重编码后没有任何标记，播放器按自己的默认值处理，你听到的就是「忽大忽小」。另一个后果更隐蔽：原片的动态范围压缩是为家庭环境设计的，重编码丢掉这些提示后，安静段落会显得过响，爆点又不够。

再加上有损编码本身的量化噪声，三个损耗点叠在一起，才是「扒出来发闷」的完整解释。

音频处理里最费时间的，往往不是调参数，而是搞错损失发生在哪一层。

容器、矩阵、编码器，三层各有各的账。把「提取」当成一个黑盒按钮，就只能靠反复试听碰运气；知道 0.707 从哪来、LFE 为什么是零、元数据在哪一步消失，很多问题第一次就能绕开。

工具能做的是让每一步都可选，而不是替你把损失消掉。