适合视频与录屏

MP4 转 MIDI 转换器

MP4 同时装着画面和声音。先把音轨导出为 M4A 或 WAV,拖进来就能得到可编辑的 .mid —— 免费、浏览器内完成、文件不上传。

免费、不限次数 推荐先导出 M4A 音轨 音频只留在本机

把 MP4 音轨转成 MIDI

放入导出的 .m4a 或 .wav,点击生成后开始识别音符

免费

把音频文件拖到这里

或

推荐从 MP4 导出的 M4A / WAV;也支持 MP3、OGG、FLAC · 最大 50 MB

选择音频文件后才能开始转换。

预览并下载您的 .mid

还没有 MIDI 文件

先在左侧选好音轨再生成。.mid 会出现在这里。

什么是 MP4 转 MIDI?

把视频里的配乐变成音符数据

MP4 是一个容器,里面同时封装了视频流和 AAC 音频流。浏览器的 Web Audio 只能解码音频流,不能直接解码视频容器,所以稳妥做法是先用剪辑软件把音轨导出成 M4A 或 WAV,再转换这个文件。得到的 .mid 记录的是音高、时值和力度,不含音频,也不含画面。

转换完成后, 打开 MIDI 编辑器 修正节奏与力度,再导出标准 .mid 给 DAW 或制谱软件使用。

技术细节

为什么必须先抽出音轨?

关键参数

MP4 里装了什么
一个容器里同时有视频轨和 AAC 音轨;标准 MIDI 文件两者都不保留,只有音符事件。
必需步骤
先抽音轨:Web Audio 解的是音频流,不是复用了视频的容器。
零损耗命令
ffmpeg -i clip.mp4 -vn -acodec copy audio.m4a 直接复制 AAC 流,不重编码。

MP4 是容器,通常装一条 H.264/H.265 视频轨和一条 AAC 音轨。浏览器的 decodeAudioData 面向音频数据;把整个 .mp4 丢进去,意味着要先解复用视频容器,多数浏览器会直接拒绝或报错。所以这一页不承诺「直接拖 .mp4」,文件选择器也优先显示 .m4a。抽音轨是必需步骤,不是权宜之计。

最快的抽轨命令是 ffmpeg -i clip.mp4 -vn -acodec copy audio.m4a。-acodec copy 让 AAC 字节原样通过,几乎瞬时完成,也不会再引入一次有损编码。没有 ffmpeg 时,剪辑软件的「仅导出音频」(Final Cut、Premiere、DaVinci Resolve),或手机上把视频声音存成语音备忘录,都能得到同样的 .m4a / .wav。之后它和其他文件一样被解码成 22,050 Hz 单声道,所以视频是 1080p 还是 4K、音轨是 48 kHz 还是 44.1 kHz,都不改变模型看到的内容 —— 只有音轨本身的内容有影响。

排查

结果不对时先看这三项

拖入 .mp4 没反应
文件选择器只接受音频扩展名。先抽轨,再拖入 .m4a。
只识别出伴奏部分
说话声、鼓点和人声会与主旋律竞争。裁出乐器单独的段落。
抽出来的文件仍解码失败
-acodec copy 可能原样带过不支持的编码。改用 -acodec aac 重编码,或导出 WAV。

结论

抽轨这一步不能省。-vn -acodec copy 是从视频到可读音频最快且零损耗的路径。

为什么要先抽音轨

哪些 MP4 音轨适合做输入

  • 钢琴卷帘、插件演示或教学类的录屏
  • 手机拍的现场演奏,导出音频之后
  • 44.1 kHz 的 AAC 足以识别清晰、单一乐器的旋律
  • 先抽音轨可以避开浏览器对视频容器解码失败的问题

操作步骤

四步把视频音轨转成 MIDI

  1. 01

    导出音轨

    用任意剪辑软件把 MP4 的声音导出为 .m4a 或 .wav,手机也可以用语音备忘录导出。

  2. 02

    放入文件

    选择刚导出的音频,50 MB 以内都支持,文件选择器会优先显示 M4A。

  3. 03

    生成音符

    Basic Pitch 在浏览器本地识别音高与起音,音频不会离开设备。

  4. 04

    整理导出

    在编辑器里修正节奏与力度,然后下载标准 .mid 文件。

更多转换器

把其他格式也转成 MIDI

使用指南

关于 MIDI 文件、乐谱与播放的解答

常见问题

MP4 转 MIDI 常见问题

可以直接拖 .mp4 视频文件吗?

不建议。浏览器解码的是音频流而不是视频容器,部分浏览器会直接失败。请先把音轨导出为 .m4a 或 .wav 再上传。

怎么提取音轨?

任意剪辑软件都能「仅导出音频」。QuickTime、ffmpeg(ffmpeg -i clip.mp4 -vn clip.m4a)或手机的语音备忘录导出,都能得到这里可用的文件。

视频会上传到服务器吗?

不会。音符识别由浏览器里的 TensorFlow.js 完成,没有服务端转换,也没有任何上传。

带人声的整首歌能转干净吗?

混合素材会多识别或漏识别音符。想要干净结果,尽量用单独乐器或单条旋律线。