Nem tudom pontosan, mi a bajod. Az a baj, hogy a háttérzajokhoz képest gyenge a beszédhang (ezért nem érted, mit beszélnek miközben mondjuk mennek egy autóval), vagy hogy túl nagy különbség van a csöndes és a hangos jelenetek között?
A két esetben ugyanis más a megoldás.
Az első esetben érdekes lehet, hogy te miért hallod gyengébbnek a beszédhangot, nekem pl. sosem volt ezzel gondom, de mindenkinek más a hallása. Javítani sztem kétféleképpen tudsz: vagy hangszínszabályozóval az emberi beszédhang frekvenciáján megemeled a hangerőt (kb 300Hz-3kHz), vagy pedig az 5.1->2.0 lekeverésnél a center csatornát kicsit nagyobb együtthatóval számolod (ezt mind a VLC, mind az mplayer-nél állítható).
A második esetben az a baj, hogy a hangos nagyon az (pl robbanások), míg az halk nagyon halk (pl halkan beszélgetnek egy csöndes szobában). Ez a Dynamic Range, és a DRC nevű dolog (Dynamic Range Compression) való arra, hogy ezt összébb húzd: pl. fülhallgatóval mehet a teljes tartomány, de pl tévén nézve érdemes lehet összenyomni. Nem minden codec támogatja, AC3 és E-AC3 esetén menni fog, sőt, ha az erősítőd digitálisan kapja a jelet, akkor azon is fogod tudni állítani. Ha nincs DRC, akkor a "hangerő normalizálás" nevű dolog fog segíteni, ezt tudja mind a VLC, mind az mplayer/mpv.
Mellesleg oké, hogy sztereó cuccod van, de analóg az erősítő vagy digitális? Ha digitális, használsz-e passthrough-t? MacOS-nek nincs valami normális automatikus lekeverése? Windózon nincsenek ilyen gondjaim, mindkét gépemen levő hangkártyához tisztességes drivert adtak, ami driverből kever le sztereóra, és normálisan csinálja (sőt, az Audigy-m még HRTF-et is tud) Linuxon fogalmam sincs, a pulseaudio vagy az alsa hogyan keverik sztereóra, de működik ott is, nincs gondom azzal, hogy nem hallom a júzereket.
A hallásod amúgy rendben van?