从视频里抽取音频轨

什么时候需要视频抽音频

你有一段视频，只想要里面的声音——这是一个非常高频的场景：

九种视频容器：MP4、MKV、MOV、WEBM、AVI、3GP、3GPP、TS、MTS。

六种音频格式：MP3、M4A、WAV、FLAC、WMA、OPUS。

只提取第一个音轨：多音轨视频（比如中英双语轨、原声+解说轨）只取默认主声轨，其他音轨被丢弃；
不是 stream copy：M4A 是 AAC 重新编码不是 stream copy（stream copy 从视频里提 AAC 很容易成功，但 ZenConverter 故意选了重新编码，这样可以统一码率、采样率、声道参数）；
字幕、数据轨、额外视频轨不保留：纯音频输出，和那些轨道无关；
封面和歌词会尽量保留：如果源文件有音频封面（APIC 标签）或歌词（USLT），输出容器会验证这些字段。验证失败时可能触发 metadata-only 修复路径。

视频互转页面里有时间轴裁剪（见裁剪页面），抽音频也能裁。裁剪范围决定从视频的哪一段提取音频，然后那段音频再按输出格式重新编码。

导出前会探测 APK 里的 FFmpegKitNext AAR 到底包含哪些音频编码器。缺失某个编码器就直接报错——比如 WMA 需要 wmav2 编码器，如果 Lite 版 FFmpegKit 没有它，选 WMA 输出就会在导出前失败。

探测机制避免了静默降级（比如你选了 WMA 但 FFmpeg 偷偷用 MP3 输出）。

从视频抽音频是音频互转的一个特例——它的完整管线是：

视频容器 → FFprobe 找到音频轨 → 解码音频流 → 可选：裁剪时间段 → 可选：音频滤镜 → 编码到输出格式 → 写入目标容器

和"已有的音频文件互转"共用同一套编码管线。区别只是源文件类型不同（视频里嵌音频 vs 独立音频文件）。

场景一：从 2 小时讲座视频提取音频放手机

加视频 → 选 MP3 输出 → 码率 128 kbps → 开始。输出一个独立 .mp3 文件，比原视频小很多（1080p 视频约 2–3 GB，128 kbps MP3 只有约 200–300 MB）。

场景二：从 MV 提取高品质音频做收藏

加视频 → 选 FLAC 或 WAV → 码率自动（无损）→ 开始。FLAC/WAV 会保持源音频质量，但体积也最大。

场景三：只提取视频中的某一段音频

加视频 → 进裁剪 → 拖滑块选时间段 → 选输出格式 → 开始。只提取选中的那段。