音频裁剪拼接
从音频里剪出一段导出 WAV，也能把多个片段（同一个文件的不同区间、或者几个不同文件）按顺序接成一个文件。波形上拖两头选区，先试听再导出。
可以一次选多个文件，也可以把文件直接拖到这个面板里。音频只在这台浏览器里解码，不会上传；能读什么格式取决于浏览器自带的解码器。
输出
0:00.000
预计体积按「时长 × 采样率 × 声道数 × 2 字节 + 44 字节头」算，时长先四舍五入到目标采样率的整数帧，所以和实际导出基本一致；逐段取整会差几个采样点，几段拼起来也就几十字节的量级。下面那一行的每分钟体积固定按 44100 Hz 立体声 16 位算，是拿来快速判断 WAV 有多占地方的参照值，和你的输出规格无关。
使用说明
这一页有两条路。单段导出处理波形上当前选中的那一段：在波形上按住拖出一段，或者直接改起止秒数，两边是双向联动的，改哪一边另一边都会跟着走。多段拼接则按列表顺序把若干段首尾接成一个文件，每一段可以来自同一个文件的不同区间，也可以来自不同的文件。判断标准很简单：成品只需要一段就用单段导出；要把几段接起来（铃声串烧、录音拼接、把多段素材合成一条）就用多段拼接。
WAV 是未压缩的线性 PCM，16 位意味着每个采样点固定占 2 字节，所以体积只由时长、采样率、声道数决定，和你剪的内容一点关系都没有。按这个口径算，44100 Hz 立体声 16 位每秒钟是 172.3 KB，每分钟是 10.09 MB，一秒的字节数就是采样率乘声道数再乘 2。页面上的「预计体积」用的就是这个式子，导出后的「实际导出」和它基本一致——每段先四舍五入到整数采样点，几段拼起来会差几十字节。想变小只能降采样率、降声道数，或者导出后再用有损编码压一道，例如 ffmpeg 转成 192k 的 mp3。
拼接最容易被忽略的一步是统一规格。两段音频采样率不一样时直接接起来，第二段会以错误的速率播放：48000 Hz 的采样点按 44100 Hz 播放，时长会变成原来的 1.088 倍，音高同时降低约 8.8%。所以导出前每一段都会先重采样到你选的输出采样率，声道数也统一到目标声道——单声道要立体声就复制一份，立体声要单声道就把两路取平均。接缝处还有一个物理问题：前一段的最后一个采样通常不在零点，后一段又从另一个数值开始，这个突变听起来就是「啪」的一声。给每一段几十毫秒的淡入淡出把两端压到零，阶跃就没了，这也是默认打开「每个片段各自淡入淡出」的原因。
峰值归一化是把整段音频乘同一个系数，把最响的点拉到接近满量程（这里是 -0.09 dBFS），增益上限 +18 dB，超过这个倍数就不再放大，因为那时放大的只是底噪。它对拼接多个来源的素材尤其有用：只做一次整体缩放，段与段之间的相对音量保持不变；如果每段各自归一化，安静的录音会被拉到和音乐一样响，成品忽大忽小。反过来，素材里若有一个突发的巨响，归一化会按那个瞬间定标，其余部分反而更小，这种情况手动调整更合适。
内存是这类工具的天花板。浏览器解码音频必须先把整个文件读进内存，再一次性解成 32 位浮点，一小时的 44100 Hz 立体声大约 1.18 GB，很多标签页在这一步就崩了。手上有长录音时，建议先用音频剪切剪出需要的那几分钟再拿进来拼；只处理一段、不需要拼接的场合，那一页的操作更直接。要从视频里取声音用视频提取音频，想看清音频里都有哪些频率用音频频谱图，剪好的音频配字幕可以用字幕格式转换对齐时间轴。
常见问题
裁剪和拼接是两条不同的路吗？
是同一页上的两条路，结果都是一个 WAV。单段导出只处理波形上当前选中的那一段，等价于普通剪切；多段拼接按列表顺序把若干段首尾接成一个文件，每一段可以来自同一个文件的不同区间，也可以来自完全不同的文件。切到拼接模式后，先在波形上选好一段点「加入片段」，要换文件就先在下拉框里切换再选区间，全部加完再导出。
拼接出来的音频，接缝处为什么会「啪」一声？
因为接缝两侧的波形通常不连续：前一段的最后一个采样还没回到零点，后一段又从另一个数值开始，这个突变在听感上就是爆音。给几十毫秒的淡入淡出，把两端的音量压到零，阶跃就消失了。默认就是「每个片段各自淡入淡出」；如果关掉它，只在整段输出的最外两端做淡化，中间的接缝仍然会响。
不同采样率的文件能拼在一起吗？
能，但必须先统一。这一页会按你选的输出采样率把每一段重采样一次再拼。采样率不一致时直接接起来，第二段会以错误的速率播放：48000 Hz 的采样点按 44100 Hz 播放，时长会变成原来的 1.088 倍，音高也一并降低。同理，单声道和立体声混拼也要先统一声道数，否则会一边有声一边没有。
导出的 WAV 为什么这么大？
WAV 是不压缩的线性 PCM：16 位意味着每个采样点固定占 2 字节，体积只等于 时长 × 采样率 × 声道数 × 2，和内容复不复杂没有关系。44100 Hz 立体声 16 位每秒钟就是 172.3 KB、每分钟 10.09 MB（按 1 MB 等于 1024 × 1024 字节）。要小只能降采样率、降声道数，或者导出后再压一道：ffmpeg -i 输出.wav -b:a 192k 输出.mp3。
峰值归一化什么时候该开？
素材整体偏小、希望成品尽量接近满量程时开。它只做一次整体缩放，把所有采样乘同一个系数（这里是 0.99，即 -0.09 dBFS，增益上限 +18 dB），所以段与段之间的相对音量不变——这对拼接多个来源的素材很重要。如果每段各自归一化，安静的录音会被拉到和音乐一样响，成品听起来忽大忽小。素材里若有一个突发的巨响，归一化会按那个瞬间定标，其余部分反而更小，这时手动调整更合适。
能剪出很短的一段吗，比如手机铃声那种长度？
能。选区下限是 0.05 秒，也可以直接在起止秒数里填小数，分辨率取决于采样率：48000 Hz 下一个采样点约 0.021 毫秒，填写值会被四舍五入到最近的采样点，所以导出的实际时长和你输入的秒数最多差半个采样点。做铃声的常见做法是拖出副歌、两边各加 30 到 100 毫秒淡入淡出，导出后再转成 m4r 或 mp3。
几个小时的录音能处理吗？
能读进来但非常吃内存。浏览器解码音频必须先把整个文件读进内存，再一次性解成 32 位浮点：一小时的 44100 Hz 立体声约 1.18 GB，多数标签页到这一步就崩了。听到「内存」两个字别以为把文件缩小就行，压缩格式解码后会变回没压缩的大小。长录音建议先用别的工具截出需要的几分钟再拿进来处理。
剪出来的片段听感为什么和原文件不一样？
三个常见原因。一是重采样：输出采样率低于源文件时，超过新采样率一半的频率没法被正确表示，会衰减并折叠回来变成杂音，比如 8000 Hz 输出只能干净表示 4000 Hz 以下，高频会发闷；这一页的重采样是相邻两个采样点的线性插值，没有带通滤波，所以降采样比专业软件更容易听出差别。二是声道：立体声选单声道会把左右平均成一路，声场没了。三是归一化：整体音量被改过。想尽量少改动，就把采样率和声道都选「跟随源」，并关掉峰值归一化。要注意「跟随源」跟的是浏览器解码后的采样率，不是文件里写的那个：decodeAudioData 会先把音频解码成当前 AudioContext 的采样率（多数设备是 48000 Hz），所以一份 44100 Hz 的文件在这里进来时已经被重采样过一次，「跟随源」拿到的是 48000 Hz。要完全避开这一次重采样，只能让浏览器的音频采样率和文件一致，网页里做不到。