按真实场景找工具组合，4 大高频音频/视频处理 pipeline 的串联指南
音频/视频处理常常不是单工具能搞定的事——视频要发到平台要压、想留课程录音得抽轨再剪、做播客要拼接 + LUFS 标准化、字幕上传 YouTube 要换格式和编码。正确的工具顺序、参数选择、踩坑规避比工具本身更重要。
下面 4 条 pipeline 覆盖了音频/视频处理的最高频场景——每条都按真实工作流串联多个工具，给出顺序的理由、常见踩坑和邻近场景的边界。
怎么选 pipeline：先问目标——发到平台（YouTube / B站 / 抖音 / 微信）、要把视频转成可用音频（铃声 / 播客素材 / 转录饲料）、做播客后期、做字幕上传适配；再看素材现状——单段还是多段、原始码率分辨率多少、源编码格式。两个问题回答完，对应的 pipeline 也就定了。
本地处理：所有音频/视频工具用 ffmpeg.wasm 在浏览器跑——FFmpeg 的 WebAssembly 移植版，编解码核心约 32MB（首次下载后浏览器自动缓存）。视频/音频字节不上传服务器，处理全程在本地 CPU 完成。这对个人录音、未发布素材、敏感会议录音尤其重要。
性能预期：1080p 30fps 30 分钟以内的视频在 8GB 内存设备上稳定；超长或 4K 视频建议分段处理或先用桌面 ffmpeg 预压一遍。音频文件体积小，几乎不会触发性能瓶颈。
格式速查：视频统一选 MP4（H.264/AAC），所有播放器、剪辑软件、社交平台都直读；音频日常听用 MP3 或 AAC，要二次剪辑用 WAV，长期归档用 FLAC。
图片处理有另外一组工作流——压缩到能发邮件、上网前清 EXIF、证件照换底色、社交媒体出图——请看 图片处理工作流指南。
微信 200MB、B站 8GB、YouTube 256GB——不同平台的码率/分辨率/帧率上限不同，先看规格再压
抽音轨 → 剪片段 → 调音量 → 转格式：让视频里的声音变成可用的音频文件
多段素材 → 拼接 → 删卡顿口误 → LUFS 标准化 → 淡入淡出收尾：单集播客的浏览器后期流程
SRT/ASS/VTT/LRC 互转 + 编码修复 + 时间轴偏移：让字幕在 YouTube/B站/网页/本地播放器都正确显示
找不到合适的 pipeline？回 音频/视频分类 直接挑工具用。
最稳的输入是 MP4 / MOV / WebM——浏览器原生 <video> 元素能直接读元数据。MKV / AVI / FLV / WMV 等老格式即使扩展名对，也常因为浏览器读不出元数据而失败，工具会在 8 秒内识别失败并提示，不会卡死。若必须处理这些格式，先用 HandBrake、剪映等桌面工具转成 MP4 再来。视频压缩 输出统一为 MP4（H.264/AAC），兼容所有浏览器、手机、剪辑软件和社交平台。音频侧 MP3/WAV/AAC/M4A/FLAC/OGG 都直读。
全部本地。音频/视频工具用 ffmpeg.wasm（FFmpeg 的 WebAssembly 移植版）在浏览器沙箱里直接解码-编码，编解码核心约 32MB，首次使用下载一次后浏览器自动缓存，同会话不重复下载，关掉再打开通常也命中缓存。所有处理在本地 CPU 跑，字节不上传服务器。代价是处理时占 CPU，500MB+ 大文件可能让风扇高转、电池快放，建议接电源处理。
只想要更小的视频文件 → 视频压缩，调码率/分辨率/帧率，输出还是视频（MP4），可保留或移除音轨。只要声音、不要画面（课程录音、播客、留 BGM、做铃声）→ 视频提取音频，输出 MP3/WAV/AAC 纯音频文件，体积是视频的 1/10–1/20，还能指定时间段截取。两者都用 ffmpeg.wasm，处理速度看视频时长和电脑性能。
按目的选。日常听、要小体积 → MP3（128–192kbps 够听，所有设备兼容）或 AAC/M4A（同码率比 MP3 略好，iOS/苹果生态原生）。要保留二次剪辑、混音 → WAV（无损 PCM，体积大但任何 DAW 都能精确切）。要长期归档、追求无损但又比 WAV 省空间 → FLAC（无损压缩，约 WAV 一半体积）。详见 音频格式怎么选。
Peak（峰值） 看的是瞬间最大幅度，防止"爆音"（削波）必看；RMS（均方根） 是一段时间内的平均能量，反映"听感响度"；LUFS（响度单位） 是带 K 权重滤波后的 LUFS-I 综合响度，所有现代流媒体平台用这个做响度标准化。普通用途调音量看 Peak（不爆即可）；要发 YouTube/Spotify/播客平台一定要看 LUFS——音量调整 内置 LUFS 标准化目标值（-14/-16/-23 LUFS）一键达标。
同格式同参数才能无损——concat demuxer 直接拼接码流不需要重编码（毫秒级完成、零质量损失）。只要源文件之间采样率、声道数、码率、编码器版本任一不同，就必须走 filter_complex 重编码，会有一次有损过程（即使设无损也会重新走一次编码器）。本站 音频合并 会自动检测：参数一致直接 concat；不一致先统一到目标参数再 concat，并明确提示一次。详见 音频合并 concat vs filter。
ffmpeg.wasm 用流式处理，1GB 内的视频在 8GB 内存设备上通常稳。极限情况下浏览器会拒绝分配内存并报 OOM，不会让系统挂——刷新页面即可。建议：1080p 30fps 30 分钟内的视频随便处理；4K 或 60fps 或 1 小时以上，分段处理或先用桌面 ffmpeg 预压缩到 1080p 再来。音频文件因为体积小很多，几乎不会触发限制。