iOS里做视频编辑，系统相册的编辑界面能够应付简单的裁剪和滤镜，但一旦涉及自定义水印、多段音轨混音或者精确到帧的裁剪，就必须借助AVFoundation直接操作媒体数据。很多人上来就找第三方库，其实用AVMutableComposition、AVMutableVideoComposition和AVAssetExportSession这三个核心类，就能搭出一套完整的视频合成流程。本文会把导出带水印、背景音乐与裁剪功能的关键步骤拆开讲清楚，代码示例全部基于Swift，但Objective-C的开发者也能很容易地对应迁移。

理解AVFoundation的视频合成管线：时间线与渲染层

视频合成的底层模型并不是简单的“叠图片”，而是两条独立运作的管线：一条是时间线，另一条是渲染层。时间线由AVMutableComposition承载，它把不同来源的AVAsset中的视频轨、音频轨按时间顺序拼接起来，每个轨道对应一个AVMutableCompositionTrack。比如你有一段原始视频，要把它的前30秒剪掉，再把后面剩下的部分和另一段视频连起来，就是在composition里重新组织这些轨道片段的timeRange。时间线只负责“什么时候播放什么内容”，它本身不处理画面效果，水印、缩放、裁剪这些视觉变化全部发生在渲染层。

渲染层的入口是AVMutableVideoComposition。它包含一个instructions数组，每个AVMutableVideoCompositionInstruction描述某一段时间内视频轨应该按什么方式渲染。关键属性有两个：timeRange决定这条指令生效的时间段，layerInstructions则告诉渲染器每个视频轨的变换方式，比如平移、缩放、透明度变化。如果你需要叠加水印，就得在渲染管线上再挂一个AVVideoCompositionCoreAnimationTool，它接收一个包含水印子层的CALayer树，导出时会把每一帧画面先按layerInstructions变换好，再把这个动画工具生成的叠加层合成上去。很多教程只给一段add水印的代码，却不解释为什么水印不能直接加在视频轨上，原因就在这里：视频轨是数据轨道，水印是绘制层，二者必须通过video composition的animationTool桥接。

导出的时候要用AVAssetExportSession，它同时接收composition和videoComposition两个对象。注意如果你给exportSession设置了videoComposition，导出过程就会走离屏渲染，性能会明显下降，尤其是高分辨率视频。手机端处理4K素材时，建议先把视频缩到1080p以下再做合成，否则导出时间可能超过一分钟，用户会以为应用卡死了。AVAssetExportSession有一个supportedFileTypes属性，导出前要检查目标格式是否包含mp4或mov，否则模拟器上可能报错。另外，presetName尽量用AVAssetExportPresetHighestQuality，不要手动指定码率，交给系统去匹配最合适的参数。

添加图片水印：CALayer叠加与渲染时机

图片水印最常见的做法是把一个UIImageView或者直接构造一个CALayer，里面放上水印图片，再把整个layer树挂到AVVideoCompositionCoreAnimationTool上。核心代码并不复杂：创建一个父CALayer作为容器，设置它的frame为视频渲染尺寸（注意不是屏幕尺寸，而是视频的像素尺寸），然后创建一个子CALayer，contents设置成水印图片的CGImage，调整position和bounds把水印放到角落。之后创建animationTool，调用AVVideoCompositionCoreAnimationTool(postProcessingAsVideoLayer:in:)方法，第一个参数是视频层，第二个参数就是你的父layer。

// 假设videoSize是视频渲染尺寸，watermarkImage是UIImage
let parentLayer = CALayer()
parentLayer.frame = CGRect(origin: .zero, size: videoSize)
let videoLayer = CALayer()
videoLayer.frame = CGRect(origin: .zero, size: videoSize)
parentLayer.addSublayer(videoLayer)
let watermarkLayer = CALayer()
watermarkLayer.contents = watermarkImage.cgImage
let margin: CGFloat = 20
let watermarkSize = CGSize(width: 120, height: 40)
watermarkLayer.frame = CGRect(
    x: videoSize.width - watermarkSize.width - margin,
    y: videoSize.height - watermarkSize.height - margin,
    width: watermarkSize.width,
    height: watermarkSize.height
)
watermarkLayer.opacity = 0.8
parentLayer.addSublayer(watermarkLayer)
let animationTool = AVVideoCompositionCoreAnimationTool(
    postProcessingAsVideoLayer: videoLayer,
    in: parentLayer
)
videoComposition.animationTool = animationTool

这里有几个容易忽略的细节。第一，watermarkLayer的contents是CGImage，但直接设置有时会出现图片上下颠倒的问题，因为CALayer的坐标系原点在左下角，而UIImage的坐标系原点在左上角。解决办法是在设置contents之前把layer的isGeometryFlipped设为true，或者用contentsGravity配合contentsRect做翻转。第二，postProcessingAsVideoLayer方法要求传入的videoLayer必须与视频轨的实际渲染层对应，如果只有一条视频轨，直接创建一个占满frame的layer即可；如果有多条视频轨需要混合，就要用AVVideoCompositionCoreAnimationTool(postProcessingAsVideoLayers:in:)传入数组。第三，水印层在导出过程中不会被用户交互影响，所以动画属性如果需要跟随时间变化，比如水印移动或者淡入淡出，就要用CAKeyframeAnimation或者CABasicAnimation加到watermarkLayer上，并把动画的beginTime设置为合适的值，系统在渲染每一帧时会根据动画时间计算属性。

文字水印更灵活一些，可以动态生成包含文字的UIImage，再走上面的图片水印流程。但如果你想在导出前让用户可以实时预览文字位置，最好用CoreText直接绘制到CGContext里生成图片，这样可以精确控制字体、颜色、描边。另一个常见需求是水印在视频中某个时间段才出现，比如片头显示logo三秒然后消失。这不能通过简单控制layer的hidden实现，因为animationTool的layer树是整个导出期间都存在的，时间控制需要靠layer上的动画：添加一个opacity动画，从0到1再到0，时间区间对应你想显示的时间段。

混入背景音乐：音频轨道合并与音量调节

给视频加背景音乐不是简单地把音频文件放在视频旁边一起导出。你需要把背景音乐作为一个独立的AVMutableCompositionTrack插入到composition的音频轨道集合里，同时保留原始视频自带的音轨。如果原始视频没有声音，那只需要一条音频轨；如果有声音，你要决定背景音乐是替代原声还是混合。替换的话，把原视频的音轨移除或者不插入即可；混合的话就要同时插入两条音频轨，导出时系统会自动混音。AVMutableComposition的addMutableTrack(withMediaType:preferredTrackID:)方法分别创建视频轨、原声轨和背景音乐轨，然后把AVAsset对应轨道的timeRange插入到目标轨中。

let composition = AVMutableComposition()
// 视频轨
let videoTrack = composition.addMutableTrack(
    withMediaType: .video,
    preferredTrackID: kCMPersistentTrackID_Invalid
)
let videoAsset = AVURLAsset(url: videoURL)
let videoAssetTrack = videoAsset.tracks(withMediaType: .video).first!
try videoTrack?.insertTimeRange(
    CMTimeRange(start: .zero, duration: videoAsset.duration),
    of: videoAssetTrack,
    at: .zero
)
// 原声轨（如果有）
if let originalAudioTrack = videoAsset.tracks(withMediaType: .audio).first {
    let originalAudio = composition.addMutableTrack(
        withMediaType: .audio,
        preferredTrackID: kCMPersistentTrackID_Invalid
    )
    try originalAudio?.insertTimeRange(
        CMTimeRange(start: .zero, duration: videoAsset.duration),
        of: originalAudioTrack,
        at: .zero
    )
}
// 背景音乐轨
let bgmAsset = AVURLAsset(url: bgmURL)
if let bgmTrack = bgmAsset.tracks(withMediaType: .audio).first {
    let bgmCompositionTrack = composition.addMutableTrack(
        withMediaType: .audio,
        preferredTrackID: kCMPersistentTrackID_Invalid
    )
    // 背景音乐可能比视频长，只取视频长度部分
    let insertDuration = CMTimeMinimum(bgmAsset.duration, videoAsset.duration)
    try bgmCompositionTrack?.insertTimeRange(
        CMTimeRange(start: .zero, duration: insertDuration),
        of: bgmTrack,
        at: .zero
    )
}

音量控制是混音环节最容易出问题的地方。背景音乐如果直接以原始音量插入，很可能盖过视频原声，听感很差。AVMutableCompositionTrack本身没有音量属性，你需要借助AVAudioMix来调节每条音频轨的音量。创建AVMutableAudioMix，然后为每条音频轨创建AVMutableAudioMixInputParameters，设置trackID对应到composition里的音频轨，最后用setVolume(_:at:)方法在时间轴上设置音量关键点。通常背景音乐设置到0.2~0.4，原声保持1.0，还可以做淡入淡出：在开头0.5秒内从0升到目标音量，结尾0.5秒内从目标音量降到0。

let audioMix = AVMutableAudioMix()
let bgmParameters = AVMutableAudioMixInputParameters(track: bgmCompositionTrack)
bgmParameters.setVolume(0.3, at: .zero)
// 假设视频时长5秒，最后1秒淡出
let fadeOutStart = CMTime(seconds: 4.0, preferredTimescale: 600)
bgmParameters.setVolume(0.3, at: fadeOutStart)
bgmParameters.setVolume(0.0, at: CMTime(seconds: 5.0, preferredTimescale: 600))
// 原声参数
let originalParameters = AVMutableAudioMixInputParameters(track: originalAudioTrack)
originalParameters.setVolume(1.0, at: .zero)
audioMix.inputParameters = [bgmParameters, originalParameters]
// 导出时设置exportSession.audioMix = audioMix

如果背景音乐比视频短，循环播放需要额外处理：可以分段插入多次，每次时间偏移增加bgm时长；或者用AVMutableCompositionTrack的scaleTimeRange调整速度，但不自然。最简单的方式是在插入前判断bgm时长小于视频时长时，用循环插入代码块重复插直到覆盖整个视频区间。另外，注意AVURLAsset加载本地音频文件时，tracks(withMediaType:)可能返回空，因为有些mp3文件的音频轨延迟加载，需要先调用loadValuesAsynchronously或者使用asset.tracks同步访问前确保状态是.loaded。在iOS 15以后，AVURLAsset的异步加载API变化较大，建议把音频文件转换成.m4a格式，或者用AVAudioFile读取后用AVAssetReader重新打包。

裁剪视频画面：不是缩放，而是变换矩阵与渲染尺寸

很多开发者理解的“裁剪”是把视频分辨率改小，比如从1920x1080裁掉上下黑边变成1920x800。实际上在AVFoundation中，裁剪是渲染阶段的事情，它通过修改视频轨的transform和videoComposition的renderSize来实现。核心思路分两步：第一，在AVMutableVideoCompositionInstruction里为视频轨设置一个偏移动画（AVMutableVideoCompositionLayerInstruction），把画面在渲染区域内平移和缩放，只让需要保留的部分出现在可视区域内；第二，调整AVMutableVideoComposition的renderSize，使其等于你裁剪后的目标尺寸。

常见场景是把横屏视频裁剪成竖屏比例，比如把16:9的画面裁成9:16用于短视频平台。此时renderSize设置为1080x1920（或按比例），而原始视频轨的画面是1920x1080，直接缩放到竖屏会导致画面严重变形。你需要计算等比缩放系数，先把视频画面放大到宽度填满竖屏容器（即宽度从1080放大到1920，高度从608放大到1080），然后上下各裁掉一部分，让高度从1920变成1080。这个过程用CGAffineTransform组合完成：先缩放，再平移。

let naturalSize = videoAssetTrack.naturalSize
let targetSize = CGSize(width: 1080, height: 1920)
// 计算缩放比例，使宽度填满1080
let scale = targetSize.width / naturalSize.width  // 1080 / 1920 = 0.5625
let scaledHeight = naturalSize.height * scale     // 1080 * 0.5625 = 607.5
// 需要垂直居中，计算y方向偏移
let yOffset = (targetSize.height - scaledHeight) / 2  // (1920 - 607.5)/2 = 656.25
var transform = CGAffineTransform(scaleX: scale, y: scale)
transform = transform.translatedBy(x: 0, y: yOffset / scale) // 注意translate在scale之后
let layerInstruction = AVMutableVideoCompositionLayerInstruction(assetTrack: videoTrack)
layerInstruction.setTransform(transform, at: .zero)
let instruction = AVMutableVideoCompositionInstruction()
instruction.timeRange = CMTimeRange(start: .zero, duration: videoAsset.duration)
instruction.layerInstructions = [layerInstruction]
let videoComposition = AVMutableVideoComposition()
videoComposition.renderSize = targetSize
videoComposition.frameDuration = CMTime(value: 1, timescale: 30) // 根据原视频帧率设置
videoComposition.instructions = [instruction]

上面的代码有一个隐蔽问题：transform的平移量是在缩放后的坐标系里计算的，所以yOffset需要除以scale。因为CGAffineTransform的translatedBy方法是在已有变换基础上追加平移，相当于先缩放再在缩放后的画布上移动。如果你把顺序反过来，用translatedBy然后再scale，结果会完全不同。建议用CGAffineTransformConcat手动组合：let finalTransform = CGAffineTransformConcat(CGAffineTransform(scaleX: scale, y: scale), CGAffineTransform(translationX: 0, y: yOffset / scale))。另外，设置frameDuration时不要随便用固定值，应该从原视频轨的nominalFrameRate读取，避免帧率不匹配导致的卡顿或音画不同步。

裁剪还有一个更直观的API：AVAssetReader/AVAssetWriter组合可以逐帧处理像素，灵活度更高，但性能开销大很多，适合做滤镜或逐帧特效。对于普通裁剪需求，用AVMutableVideoComposition的layerInstruction足以应付。如果裁剪区域不是居中，而是自定义选框，只需要调整transform中的平移量。例如要保留画面左上角1/4区域，缩放系数变为2倍（放大两倍再只取左上角），平移量根据选框位置计算。需要注意的是，当transform包含旋转时（比如处理iPhone竖拍视频的90度旋转），naturalSize可能带有旋转信息，要先通过preferredTransform把画面摆正，再计算缩放和平移，否则裁剪区域会错位。

导出前别忘了检查AVAssetExportSession的exportPresets(compatibleWith:)是否支持你的composition和videoComposition组合。如果目标设备是旧款iPhone，preset太高可能在导出中途报错。完整的导出流程是异步的，用exportAsynchronously启动，然后在回调里检查status，成功后再用outputURL保存到相册。把这些功能封装成一个VideoEditor类，对外暴露裁剪区域、水印图片、背景音乐URL和导出文件路径四个参数，内部按顺序构建composition、videoComposition、audioMix和exportSession，就能在项目中复用了。