多个MP3合并成一个：分集配音按顺序拼接，字幕时间轴一起接上
多个MP3合并成一个，难的不是把声音首尾相连，而是让字幕跟着接上：第二段的每一句都要往后挪「第一段的时长 + 段间停顿」，第三段再加上第二段的时长，一路累加。把几段配音或录音拖进下面的工具，按文件名自然排序（第1集、第2集……第10集不会乱），需要时拖动调整；给每段配上它自己的 SRT，工具按累计时长自动顺延，合成一个 MP3 和一份完整字幕，并列出每段时长和总时长。全程在你的浏览器里处理，文件不上传。
- 2–50 段
- 自然排序 + 拖动
- 停顿 / 交叉淡化
- SRT 自动顺延
更新于 2026 年 11 月 6 日内容核对于 2026 年 11 月 6 日
MP3合并
本机处理多个MP3合并成一个：拖入分段，配上各自的字幕
放入 2–50 段音频（总长不超过 3 小时），每段可以配一个 SRT。列表显示每段时长和总时长，排好顺序、设好停顿再合成。
多个MP3合并成一个怎么做：五步合成音频和字幕
多个MP3合并成一个，不用装剪辑软件，也不用一段段对时间。先把要合并的文件和各自的字幕放在一起，命名带上序号，后面排序最省事。
- 01
第 1 步
放入音频，配上各自的字幕
拖入 2–50 段音频，总长不超过 3 小时，MP3、WAV、M4A 都可以。想让字幕一起合并，就给每段配上它自己的字幕（SRT、VTT、ASS、LRC 都能读）：和音频同名的字幕文件（第1集.mp3 + 第1集.srt）会自动配对，也可以逐段手动添加；不要混用别集的字幕。
- 02
第 2 步
检查顺序
列表按文件名自然排序：第2集排在第10集前面，EP2 排在 EP10 前面。顺序不对就拖动调整。列表同时显示每段时长和总时长，可以一键复制，需要批量查看音频时长时也能单独这么用。
- 03
第 3 步
设段间停顿或交叉淡化
停顿是在两段之间插一段静音（默认 0.5 秒）；交叉淡化是让前一段的结尾和后一段的开头重叠，一个淡出、一个淡入。两者都可以设 0–10 秒。配音和口播一般用停顿，连续的音乐或环境声用交叉淡化接得更顺。
小贴士 · AI Drama Voice 导出的配音最后一句说完就结束，结尾没有留白，合并它们请用停顿。
- 04
第 4 步
选输出格式并合成
输出 MP3（可选码率）或 WAV。所有段统一到你选的采样率（44.1 或 48 kHz，默认 44.1 kHz），采样率不同的文件会自动重采样；全部是单声道就输出单声道，只要有一段是立体声就整体输出立体声。工具逐段解码、逐段编码，不会一次把所有文件读进内存。
- 05
第 5 步
下载并抽查接缝
合并好的音频和字幕分开下载，字幕不论原来是什么格式，合并后都是一份 SRT。打开 SRT，找到第2段第一句的时间，在播放器里跳过去听一下；再抽查最后一段。两处对得上，中间就不会错。
MP3合并以后字幕怎么对上：时间轴顺延的算法
SRT字幕拼接不是把几个文本首尾粘起来——那样第二段的字幕会全部从 0 秒重新开始，叠在第一段上面。每一段字幕都要整体平移，平移量等于它前面所有内容的总时长。
偏移量 = 前面所有段的时长 + 前面所有的停顿
第 1 段不动。第 k 段的偏移量是第 1 到第 k−1 段的时长之和，加上这中间所有的停顿；用交叉淡化时，每个接缝要减去重叠的那一截。合并后的总时长也这样算：所有段的时长相加，加上所有停顿，或减去所有重叠。下面用三集配音演示一遍。
| 分段 | 时长 | 停顿 1 秒时的偏移 | 交叉淡化 0.5 秒时的偏移 |
|---|---|---|---|
| 第1集.mp3 | 2:13.480 | 0:00.000 | 0:00.000 |
| 第2集.mp3 | 1:58.210 | 2:14.480 | 2:12.980 |
| 第3集.mp3 | 2:21.905 | 4:13.690 | 4:10.690 |
| 合并后总长 | — | 6:35.595 | 6:32.595 |
落到一条字幕上：第2集第一句原来是 00:00:00,350 --> 00:00:03,020，按 1 秒停顿偏移 2:14.480 后，变成 00:02:14,830 --> 00:02:17,500。手工做这件事，要在 SRT字幕时间轴调整 里给每一集单独填一次偏移量，再把文本拼起来；三集还好，三十集就容易错一位。
交叉淡化时字幕会怎样
交叉淡化让两段在接缝处重叠（等功率淡化，最长不超过相邻两段中较短那段的一半），后一段因此整体提前了重叠的长度，它的字幕也一起提前。如果前一段最后一句的字幕还没结束、后一段第一句已经开始，工具会把前一条的结束时间收到后一条的开始，屏幕上不会同时出现两句，并告诉你收短了几条；但声音本身确实叠在一起播。说话的内容最好别放在重叠区：要么用停顿，要么让交叉淡化短于两段首尾的空白。另外，字幕时间超出它那一段音频长度的部分会被截掉，完全落在音频之外的条目会被去掉，数量同样会列出来。
接缝处为什么会多出几十毫秒
MP3 编码器会在文件开头补一段延迟、在结尾补齐最后一帧。按 LAME 的技术说明，编码延迟 576 个采样、解码延迟 528 个采样，合计约 1,100 个采样，在 44.1 kHz 下约 25 毫秒；结尾再补 288 个采样，并把最后一帧补满 1,152 个采样。播放器读到 LAME 信息头时会把开头这段去掉，读不到就原样播出来。所以把多个 MP3 解码后首尾相接，每个接缝都可能多出几十毫秒的静音。人声配音之间本来就有停顿，听不出来；连续的音乐可以用交叉淡化盖过去。工具的偏移量按解码后的实际长度算，合并出来的字幕和合并出来的音频是一致的。
为什么不直接把 MP3 文件首尾拼起来
MP3 的一帧数据并不完全存在这一帧里，编码器会借用前面几帧的空余位置（位储备）。同一份 LAME 说明写得很清楚：在帧边界上直接切开或拼接，接缝那一帧几乎总会损坏；码率、采样率不同的文件拼在一起，有的播放器还会算错时长。另外每个文件开头的 ID3 标签会被夹在合并后的中间。所以本工具先解码、再统一重新编码：代价是多一次有损编码，换来的是一个干净、时长准确的文件。要继续剪辑，就输出 WAV。
什么时候该把多个MP3合并成一个，什么时候不该
合并是为了一口气听完或一次交付。如果下游平台按「一集一个文件」收，就别合并，留着分集文件反而省事。
| 场景 | 合并吗 | 原因 |
|---|---|---|
| 给客户或导演审一整季 | 合并 | 一个文件从头听到尾，字幕跟着走，审片意见按时间码写回来 |
| 做合集、预告、试听小样 | 合并 | 几集或几段精彩台词拼成一条，再配背景音乐 |
| 上传播客平台 | 通常不合并 | 播客按单集发布，一集一个音频文件 |
| 上传有声书平台 | 按平台要求 | 例如 ACX 要求每个文件只放一章或一节、单个文件不超过 120 分钟 |
| 导进剪映做竖屏剧 | 看剪辑习惯 | 一集一个工程就分开导；做长合集时先合并，字幕一次导入 |
文件名自然排序：第10集为什么会排到第2集前面
电脑默认的排序是按字符一个个比较：「第10集」和「第2集」比到第二个字符时，是「1」对「2」，1 更小，于是「第10集」排到了「第2集」前面。自然排序会把文件名里连续的数字当成一个整数比较，所以第1集、第2集……第9集、第10集按你期望的顺序排；本工具还认「第」后面的中文数字，第二集、第十集、第十一集也按 2、10、11 排。最稳妥的命名仍然是补零：第01集、第02集……第10集，任何软件都不会排错。
批量查看音频时长
列表里的时长清单可以一键复制，复制出来是用制表符分隔的序号、文件名、在合并后文件里的起点和每段时长，最后一行是总长，贴进 Excel 或飞书表格就自动分好列：核对每集是否超长、估算一季总时长、按起点写审片意见，都用得上。只想看时长、不想合并，放进去复制完就可以关掉。
为什么要逐段处理
解码后的音频在内存里是 32 位浮点采样：一小时 44.1 kHz 单声道约 635 MB，立体声翻倍。三小时的素材如果一次全部读进来，手机和很多电脑的浏览器会直接崩溃。所以工具一段一段地解码、编码、写出，内存里只放当前这一段。
合并 AI Drama Voice 导出的分集配音：六个要点
工坊导出的 MP3 和 SRT 来自同一次生成，每条字幕就是那句台词在 MP3 里的真实位置。把它们多个MP3合并成一个时，注意下面几点。
用停顿，别用交叉淡化
导出的每集在最后一句说完时就结束，结尾没有留白；交叉淡化会把上一集最后一个字淡掉。用段间停顿最稳。
每集开头已经有 0.35 秒
导出时每句台词前都留了约 0.35 秒空隙，第一句也不例外。默认 0.5 秒停顿时，上一集最后一句和下一集第一句之间实际约隔 0.85 秒；想要 1 秒左右，把停顿设成 0.7 秒。
一个语种合一次
英语版的音频配英语版的 SRT，泰语版配泰语版，各语种的时间码跟着各自的配音走。要做双语字幕，用 双语字幕合并，那是两种语言上下叠，不是前后接。
合并后没有 AI 生成标识
导出的 MP3 带有 ID3 标签 TXXX:AIGC（AI 生成内容的隐式标识），合并后的文件不保留原文件的标签。发布时仍按平台规则加显式标识，见 AI 生成内容标识。
合并前先统一音量
合并不改音量。各集或各语种大小声不一，先用 音频音量统一 调成一样，再拿来合并。
要拆回去，用另一个工具
合并的反方向是按字幕把长音频切成一句一个文件，用 按字幕分割音频。
常见问题
把文件拖进本页工具，检查排序（按文件名自然排序，可以拖动调整），设好段间停顿或交叉淡化，点合成，下载一个 MP3。多个MP3合并成一个的全过程在浏览器里完成，不用装软件、不用登录。
会多一次有损编码，码率合适时一般听不出来。工具要先把各段解码、再统一编码，才能得到一个干净、时长准确的文件；之后还要剪辑的话，选 WAV 输出就不会再叠加 MP3 损失。
能。可以在段与段之间插入固定长度的静音，也可以改用交叉淡化让两段重叠衔接。配音和口播用停顿更自然；合并 AI Drama Voice 导出的配音时建议用停顿，因为每集结尾没有留白。
能，这是本工具和普通 mp3合并 工具的区别。给每段配上它自己的字幕（SRT、VTT、ASS、LRC 均可，同名文件自动配对），合并时每段字幕按「前面所有段的时长 + 停顿」自动顺延，拼成一份完整的 SRT；用交叉淡化时会扣掉重叠部分。
能。所有文件会重采样到你选的 44.1 或 48 kHz（默认 44.1 kHz）再拼接；全是单声道就输出单声道，只要有一段立体声就整体输出立体声，不需要你事先转格式。
一次 2–50 段，总长不超过 3 小时；单个文件不超过 200 MB、60 分钟，手机上上限减半。更长的素材可以分几次合并，再把结果合并一次。
不会。音频和字幕都用浏览器读取，解码、拼接、编码和下载都在你的设备上完成，不调用 AI、不扣积分，也不需要登录。
