经过我的一些尝试，找到一个可以去除头尾静音的方法：
ffmpeg.exe -i test.txt.mp3 -af silenceremove=1:0:-50dB,areverse,silenceremove=1:0:-50dB,areverse -c:a libmp3lame output1.mp3
原文地址： 如何使用ffmpeg 去除MP3音频文件头部与尾部的静音数据_ffmpeg 静音检测-CSDN博客
经过这样处理，即使indextts生成的语音前后都带有静音部分，都能处理得很彻底。
然后定位的问题，我也尝试了一些方法，大致思路如下：
原始音频信息：
音频起始静音（5秒）+音频1（10秒）+音频1后静音（1秒）+音频2（4秒）+音频2后静音（5秒）=总时长（25秒）
indextts生成音频：
1、起始时间对齐：
音频起始静音（5秒）+音频1（8秒）+音频1后静音（1+2秒）秒+音频2（5秒）+音频2后静音（5-1秒）=总时长25秒
2、结束时间对齐：
音频起始静音（5+2秒）+音频1（8秒）+音频1后静音（1秒）秒+音频2（5秒）+音频2后静音（5-1秒）=总时长25秒
这里有个特例，就是音频1后的静音太短，即使选择以结束时间对齐，仍会采用起始时间对齐的方式
我前两周用这个方法做了个简单测试，定位还挺理想的，抛砖引玉一下，也没太花心思组织语言，希望大佬能理解我的意思
