在处理音频文件时，你是否遇到过这些需求：把 MP3 转为 WAV 格式？截取一段音频作为手机铃声？给音频添加淡入淡出效果？或者批量处理几十上百个音频文件？如果用专业工具（如 Audition）手动操作，不仅效率低，还难以批量处理。

而 Python 的 pydub 库，正是为解决这些问题而生。它基于 FFmpeg 构建，用极简的 API 封装了复杂的音频处理逻辑，让你用几行代码就能完成格式转换、剪辑、合并、音量调整等操作。本文将从基础用法到实战场景，全方位带你掌握这个音频处理神器。

一、Pydub 是什么？为什么选择它？

pydub 是一个专注于音频处理的 Python 库，核心优势在于：

  • 简单易用：用面向对象的方式操作音频，比如 AudioSegment 类代表一段音频，调用方法即可完成剪辑、转换等操作，无需了解音频编码细节。

  • 功能全面：支持格式转换（MP3/ WAV/ OGG/ FLAC 等）、剪辑、合并、音量调整、添加音效（淡入淡出、变速等）、提取音频等。

  • 依赖轻量：基于 FFmpeg 处理底层编码，但无需手动写 FFmpeg 命令，库会自动调用。

  • 批量处理友好：结合 Python 循环和文件操作，可轻松批量处理大量音频文件。

相比其他音频库（如 librosa 侧重音频分析，soundfile 功能有限），pydub 更适合日常音频处理任务，门槛极低，新手也能快速上手。

二、环境安装：两步搞定

pydub 的运行依赖 **FFmpeg**（处理音频编码的工具），因此需要先安装 FFmpeg，再安装 pydub 库。

步骤 1：安装 FFmpeg

  • Windows：

    • 从 FFmpeg 官网 下载对应版本（推荐 full 版）；

    • 解压后将 bin 目录（含 ffmpeg.exe）添加到系统环境变量 PATH 中；

    • 验证：打开命令提示符，输入 ffmpeg -version，显示版本信息即成功。

  • macOS：用 Homebrew 安装：brew install ffmpeg

  • Linux：用 apt 安装：sudo apt install ffmpeg

步骤 2：安装 pydub 库

直接用 pip 安装：

pip install pydub

三、核心用法：从基础操作开始

pydub 的核心是 AudioSegment 类，几乎所有操作都围绕它展开。我们从最基础的“加载音频”开始，逐步掌握核心功能。

1. 加载与保存音频（格式转换）

AudioSegment.from_file() 可加载几乎所有格式的音频（MP3、WAV、OGG 等），export() 方法可保存为指定格式。

from pydub import AudioSegment

# 加载音频（自动识别格式）
# 支持格式：mp3, wav, ogg, flac, m4a, aac 等
audio = AudioSegment.from_file("input.mp3")  # 加载 MP3
# audio = AudioSegment.from_wav("input.wav")  # 也可指定格式

# 查看音频信息
print(f"时长：{len(audio)/1000} 秒")  # 时长（毫秒转秒）
print(f"声道数：{audio.channels}")
print(f"采样率：{audio.frame_rate} Hz")
print(f"比特率：{audio.frame_width * 8} bits")  # 每个样本的比特数

# 保存为其他格式（格式转换）
audio.export("output.wav", format="wav")  # 转为 WAV
audio.export("output.ogg", format="ogg")  # 转为 OGG
audio.export("output.flac", format="flac")  # 转为无损 FLAC

说明：export() 方法的 format 参数指定输出格式，无需担心编码问题，FFmpeg 会自动处理。

2. 音频剪辑：截取指定片段

AudioSegment 支持用切片（[]）截取音频，单位是**毫秒**（1 秒 = 1000 毫秒）。

from pydub import AudioSegment

# 加载音频
audio = AudioSegment.from_file("music.mp3")

# 截取前 5 秒
first_5s = audio[:5000]  # 0-5000 毫秒

# 截取第 10-20 秒
middle_10s = audio[10000:20000]  # 10000-20000 毫秒

# 截取最后 3 秒
last_3s = audio[-3000:]  # 从末尾往前 3000 毫秒

# 保存截取的片段
first_5s.export("first_5s.mp3", format="mp3")
middle_10s.export("middle_10s.mp3", format="mp3")

场景：从歌曲中截取副歌作为手机铃声，或从长录音中提取关键片段。

3. 音量调整：放大、缩小、标准化

pydub 提供了直观的音量调整方法，支持按分贝（dB）增减音量，或标准化音量（统一到目标分贝）。

from pydub import AudioSegment

audio = AudioSegment.from_file("speech.mp3")

# 音量增大 6 dB（正数为增大，负数为减小）
louder = audio + 6

# 音量减小 3 dB
quieter = audio - 3

# 音量标准化：将音频音量统一到 -16 dB（适合批量处理不同音量的音频）
# 原理：计算当前音量峰值，调整到目标分贝
normalized = audio.normalize(target_dBFS=-16)  # -16 dB 是常见的语音音量标准

# 保存结果
louder.export("louder.mp3", format="mp3")
quieter.export("quieter.mp3", format="mp3")
normalized.export("normalized.mp3", format="mp3")

说明：target_dBFS 是“全量程分贝”（dB Full Scale），负值表示低于最大音量的分贝数，-16 至 -20 是语音的理想范围。

4. 音频合并：拼接多个片段

用 + 运算符可直接拼接多个 AudioSegment 对象，实现音频合并。

from pydub import AudioSegment

# 加载三个音频片段
intro = AudioSegment.from_file("intro.mp3")
main = AudioSegment.from_file("main.mp3")
outro = AudioSegment.from_file("outro.mp3")

# 合并（按顺序拼接）
full_audio = intro + main + outro

# 也可在中间添加静音片段（比如在 intro 和 main 之间加 2 秒静音）
silence = AudioSegment.silent(duration=2000)  # 2000 毫秒 = 2 秒
full_audio_with_silence = intro + silence + main + silence + outro

# 保存合并结果
full_audio.export("full_audio.mp3", format="mp3")
full_audio_with_silence.export("full_with_silence.mp3", format="mp3")

场景：制作播客（片头 + 内容 + 片尾）、拼接多个录音片段。

5. 音频效果：淡入淡出、变速、反转

pydub 内置了多种音频效果，几行代码就能添加专业级效果。

from pydub import AudioSegment

audio = AudioSegment.from_file("song.mp3")

# 1. 淡入淡出（适合铃声或过渡）
# 前 2 秒淡入，最后 3 秒淡出
faded = audio.fade_in(2000).fade_out(3000)

# 2. 改变速度（不改变音调）
# 1.2 倍速（变快）
faster = audio.speedup(playback_speed=1.2, crossfade=50)  # crossfade 过渡毫秒
# 0.8 倍速（变慢）
slower = audio.speedup(playback_speed=0.8, crossfade=50)

# 3. 音频反转（倒放效果）
reversed_audio = audio.reverse()

# 4. 改变音调（同时改变速度，类似磁带快进/慢放）
# 升高 2 个半音（如 C 到 D）
higher_pitch = audio._spawn(audio.raw_data, overrides={
    "frame_rate": int(audio.frame_rate * (2 **(2/12)))
})
# 降低 3 个半音
lower_pitch = audio._spawn(audio.raw_data, overrides={
    "frame_rate": int(audio.frame_rate * (2** (-3/12)))
})

# 保存效果
faded.export("faded.mp3", format="mp3")
faster.export("faster.mp3", format="mp3")
reversed_audio.export("reversed.mp3", format="mp3")

说明：speedup() 方法通过“时间拉伸”技术实现变速不变调，而修改 frame_rate 会同时改变速度和音调（更简单但效果较粗糙）。

四、实战场景：5 个实用案例

掌握基础操作后，我们来看 pydub 在实际场景中的应用，每个案例都可直接复用。

场景 1：批量转换音频格式（如 MP3 转 WAV）

如果有一个文件夹的 MP3 文件需要转为 WAV（比如用于语音识别模型输入），手动转换费时费力，用 pydub 批量处理只需几分钟。

from pydub import AudioSegment
import os

def batch_convert(input_dir, output_dir, target_format="wav"):
    """
    批量转换音频格式
    :param input_dir: 输入文件夹（含源音频）
    :param output_dir: 输出文件夹（保存转换后音频）
    :param target_format: 目标格式（wav/mp3/ogg 等）
    """
    # 创建输出文件夹（不存在则创建）
    os.makedirs(output_dir, exist_ok=True)
    
    # 遍历输入文件夹中的所有文件
    for filename in os.listdir(input_dir):
        # 只处理音频文件（可根据需要扩展格式）
        if filename.endswith((".mp3", ".wav", ".ogg", ".flac")):
            input_path = os.path.join(input_dir, filename)
            # 生成输出文件名（替换原扩展名）
            base_name = os.path.splitext(filename)[0]
            output_path = os.path.join(output_dir, f"{base_name}.{target_format}")
            
            try:
                # 加载并转换
                audio = AudioSegment.from_file(input_path)
                audio.export(output_path, format=target_format)
                print(f"转换成功：{filename} → {base_name}.{target_format}")
            except Exception as e:
                print(f"转换失败 {filename}：{str(e)}")

# 用法示例：将 input_music 文件夹的音频转为 WAV，保存到 output_wav 文件夹
batch_convert(
    input_dir="input_music",
    output_dir="output_wav",
    target_format="wav"
)

场景 2：制作手机铃声（剪辑 + 淡入淡出）

从喜欢的歌曲中截取副歌，添加淡入淡出效果，制作个性化手机铃声。

from pydub import AudioSegment

def make_ringtone(song_path, start_sec, end_sec, output_path="ringtone.mp3"):
    """
    制作手机铃声
    :param song_path: 源歌曲路径
    :param start_sec: 截取开始时间（秒）
    :param end_sec: 截取结束时间（秒）
    :param output_path: 输出铃声路径
    """
    # 加载歌曲
    song = AudioSegment.from_file(song_path)
    
    # 转换为毫秒
    start_ms = start_sec * 1000
    end_ms = end_sec * 1000
    
    # 截取片段（确保不超过音频长度）
    ringtone = song[start_ms:end_ms]
    
    # 添加淡入（1秒）和淡出（2秒）效果
    ringtone = ringtone.fade_in(1000).fade_out(2000)
    
    # 限制铃声时长（手机铃声通常不超过 30 秒）
    if len(ringtone) > 30000:
        ringtone = ringtone[:30000]
        print("铃声超过 30 秒，已自动截断")
    
    # 保存
    ringtone.export(output_path, format="mp3")
    print(f"铃声已保存至：{output_path}")

# 用法示例：从 song.mp3 的第 50 秒截取到第 70 秒，制作铃声
make_ringtone(
    song_path="song.mp3",
    start_sec=50,
    end_sec=70,
    output_path="my_ringtone.mp3"
)

场景 3：给音频添加背景音乐（语音 + BGM）

制作播客或解说视频时，常需要在语音下方添加背景音乐，并控制 BGM 音量（比语音低）。

from pydub import AudioSegment

def add_background_music(vocal_path, bgm_path, output_path, bgm_volume_reduce=15):
    """
    给语音添加背景音乐
    :param vocal_path: 语音文件路径
    :param bgm_path: 背景音乐路径
    :param output_path: 输出文件路径
    :param bgm_volume_reduce: 背景音乐降低的分贝数（默认 15dB，确保不盖过人声）
    """
    # 加载语音和背景音乐
    vocal = AudioSegment.from_file(vocal_path)
    bgm = AudioSegment.from_file(bgm_path)
    
    # 降低背景音乐音量（避免盖过人声）
    bgm_quiet = bgm - bgm_volume_reduce
    
    # 如果 BGM 比语音长，截取与语音相同的时长；否则循环 BGM
    if len(bgm_quiet) > len(vocal):
        bgm_matched = bgm_quiet[:len(vocal)]
    else:
        # 计算需要循环的次数
        repeat = (len(vocal) // len(bgm_quiet)) + 1
        bgm_matched = bgm_quiet * repeat  # 循环拼接
        bgm_matched = bgm_matched[:len(vocal)]  # 截断到语音长度
    
    # 混合语音和背景音乐（叠加）
    mixed = vocal.overlay(bgm_matched)
    
    # 保存结果
    mixed.export(output_path, format="mp3")
    print(f"已添加背景音乐，保存至：{output_path}")

# 用法示例：给解说语音添加背景音乐
add_background_music(
    vocal_path="narration.mp3",
    bgm_path="background_music.mp3",
    output_path="narrration_with_bgm.mp3",
    bgm_volume_reduce=12  # 降低 12dB
)

场景 4：从视频中提取音频（MP4 转 MP3）

pydub 依赖的 FFmpeg 支持从视频中提取音频，无需额外工具。

from pydub import AudioSegment

def extract_audio_from_video(video_path, output_audio_path="extracted_audio.mp3"):
    """从视频中提取音频"""
    try:
        # 直接加载视频文件，提取音频（FFmpeg 自动处理）
        audio = AudioSegment.from_file(video_path, format="mp4")  # 支持 mp4, avi, mov 等
        audio.export(output_audio_path, format="mp3")
        print(f"音频已从 {video_path} 提取，保存至：{output_audio_path}")
    except Exception as e:
        print(f"提取失败：{str(e)}")

# 用法示例：从 video.mp4 中提取音频，保存为 audio.mp3
extract_audio_from_video(
    video_path="video.mp4",
    output_audio_path="audio.mp3"
)

场景 5：切割长音频为多个短片段（按时间间隔）

将一个长录音（如讲座、播客）按固定时间间隔（如每 10 分钟）切割为多个短片段，方便传输或播放。

from pydub import AudioSegment
import os

def split_long_audio(audio_path, segment_duration_sec, output_dir="split_segments"):
    """
    将长音频按固定时长切割
    :param audio_path: 长音频路径
    :param segment_duration_sec: 每个片段的时长（秒）
    :param output_dir: 输出文件夹
    """
    os.makedirs(output_dir, exist_ok=True)
    audio = AudioSegment.from_file(audio_path)
    total_duration_ms = len(audio)
    segment_duration_ms = segment_duration_sec * 1000
    
    # 计算片段数量
    num_segments = (total_duration_ms // segment_duration_ms) + 1
    
    for i in range(num_segments):
        start_ms = i * segment_duration_ms
        end_ms = start_ms + segment_duration_ms
        # 最后一个片段可能不足，取到末尾
        if end_ms > total_duration_ms:
            end_ms = total_duration_ms
        
        segment = audio[start_ms:end_ms]
        output_path = os.path.join(output_dir, f"segment_{i+1}.mp3")
        segment.export(output_path, format="mp3")
        print(f"生成片段 {i+1}/{num_segments}：{output_path}")

# 用法示例：将 1 小时的讲座按每 10 分钟切割
split_long_audio(
    audio_path="lecture.mp3",
    segment_duration_sec=600  # 10 分钟 = 600 秒
)

五、注意事项与进阶技巧

  1. FFmpeg 路径问题：如果程序报错“Couldn't find ffmpeg”，说明系统找不到 FFmpeg，需检查环境变量是否配置正确，或在代码中手动指定路径：

    from pydub import AudioSegment
AudioSegment.converter = "C:/path/to/ffmpeg.exe"  # 手动指定 FFmpeg 路径

    1. 音频格式支持：虽然 pydub 支持多种格式，但部分格式（如 AAC）可能需要 FFmpeg 额外编译支持，建议优先使用 MP3、WAV、OGG 等通用格式。

    2. 处理大文件：大音频文件（如几小时的录音）加载时可能占用较多内存，可考虑分段处理，或用 ffmpeg 命令行先切割再用 pydub 处理。

    3. 进阶效果：pydub 可结合 numpy 实现更复杂的音频处理（如滤波、频谱分析），例如提取音频的波形数据进行自定义处理：

      import numpy as np
audio = AudioSegment.from_file("audio.mp3")
# 转为 numpy 数组（音频波形数据）
samples = np.array(audio.get_array_of_samples())

      六、总结：音频处理，几行代码就够了

      pydub 的强大之处在于，它把复杂的音频处理逻辑封装成了简单的 API，让你无需了解音频编码、采样率等底层知识，就能快速完成格式转换、剪辑、合并等任务。无论是个人日常使用（制作铃声、处理录音），还是批量处理场景（转换文件夹音频、提取视频音频），pydub 都能大幅提升效率。

      如果你需要处理音频，不妨试试 pydub——几行代码就能解决的问题，何必手动操作呢？

      最后，附上 pydub 官方文档链接，里面有更多高级用法：https://github.com/jiaaro/pydub。

      # python # 音视频 # 开发语言
      Logo
      智能体开发者社区

      中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

      更多推荐

      MCP协议开发实战：从零搭建AI Agent工具链

      创建静态资源（如项目 README 文件）。创建动态资源（如实时系统状态）。在 Client 中请求并利用资源上下文。回顾 MCP 协议如何降低 AI Agent 开发门槛。当前生态的局限与未来的演进方向。鼓励读者基于此大纲进行实践，并参与开源贡献。

      avatar 智能体开发者社区

      AI Agent可观测性：破解多步推理黑盒

      随着AI Agent在复杂任务中承担越来越多的决策角色，其内部的多步推理过程往往如同一个“黑盒”，难以理解、调试和信任。本文旨在探讨AI Agent可观测性（Observability）的核心概念、技术挑战与实践方案，为开发者提供一套系统的方法论和工具链，以“照亮”Agent的推理黑盒，实现对其行为、决策逻辑与内部状态的全面洞察。构建AI Agent的可观测性体系不再是“锦上添花”，而是保障其在大

      avatar 智能体开发者社区

      MCP协议开发实战：从零搭建AI Agent工具链

      回顾：我们从协议概念到动手搭建了一个可用的MCP工具链。MCP的生态现状：官方与社区提供的Server示例（GitHub, Jira, Notion等）。未来方向：更复杂的工具编排、多模型协作、可视化工具开发平台。鼓励动手：鼓励读者基于此框架，开发解决自己实际问题的工具。

      avatar 智能体开发者社区