人声分离与伴奏提取

什么是人声分离？

人声分离（也叫去人声或音轨分离）是把一首完整的歌曲拆成两个部分：人声（演唱、说唱或讲话）和伴奏（其余所有乐器：鼓、贝斯、吉他、键盘、合成器等）。这是卡拉OK 不需要现场乐乐队的技术基础，也让音乐制作人可以采样、重混或翻唱从未单独发行的歌曲。

在 2010 年代后期之前，这要么需要拿到原始录音棚的分轨文件（极其罕见），要么只能靠反相技巧——而且只在单声道录音上有效。现代 AI 模型（例如 demucs）能直接把一首完整混音的歌曲作为输入，输出两条干净的音轨，哪怕作品有大量混响、侧链压缩或多层伴唱也照样能分离。

如何使用本工具

1. 准备音频。 任何常见格式都可以——MP3、WAV、FLAC、OGG、M4A、AAC、OPUS、WMA、AIFF 或 M4B。采样率会自动归一化，位深保持不变。
2. 把文件拖进 上方上传框，或点击浏览。文件名会显示在上传框下方。
3. 选择输出格式。 选 MP3 得到体积小、所有设备都能播放的文件；选 WAV 得到适合在 DAW 中继续编辑的无压缩母带。
4. 点击「开始分离」。 浏览器把文件上传到我们的服务器，由 AI 模型（htdemucs_ft）处理。进度条会先显示「正在加载 AI 模型」（首次使用才会出现），随后转为「正在分离人声与伴奏」。一首 3 分钟的歌曲通常需要 60–180 秒。
5. 下载 ZIP。 处理完成后，点击「下载 ZIP（人声 + 伴奏）」即可获得一个压缩包，里面是两条音轨。两条音轨的节奏和音高与原文件完全一致，可以直接拖进项目里用。

提高分离效果的几个要点

• 尽量用最高质量的源文件。 128 kbps MP3 这类有损格式会引入 AI 无法还原的伪影。320 kbps MP3、AAC、FLAC 或 WAV 源文件的清晰度会明显更好。
• 片段越短，效果越好、越快。 只需要副歌或主歌的话，先在 DAW 里切出来；模型会对整段音频做分析。
• 单声道也能用。 大多数流行、摇滚、嘻哈作品都是立体声混音，但 AI 处理单声道源同样出色。
• 过度母带是分离的大敌。 响度战争中被砖墙限制限幅过的曲目会丢失模型所依赖的空间信息。专业混音但未做过母带的歌曲，通常比同一首做完 -8 LUFS 限制的版本分离得更好。

这里「伴奏」到底指什么

demucs htdemucs_ft 是一个混合 Transformer，会把一首歌拆成四个内部声源——人声、鼓、贝斯、其他（吉他、键盘、合成器等不属于前三类的声音）。本工具使用的 --two-stems vocals 模式返回两条音轨：

• 人声 — 模型对人声部分的预测。
• 伴奏 — 原始歌曲减去人声预测后的结果。它是通过把人声从输入里减掉算出来的，所以某些频段听起来会「空」一点。这是正常的，也是所有 AI 去人声工具共同的取舍。

如果你需要更细粒度的音轨（只要鼓、只要贝斯等），完整的 demucs 模型对外提供这个选项；两音轨模式已经能覆盖绝大多数卡拉OK 和混音工作流的需求。

常见用途

• 卡拉OK 伴奏 — 把伴奏音轨丢进你的卡拉OK 软件或 DJ 软件。
• 清唱提取 用于混音、remix 和 bootleg。
• 采样 — 从成品里抠出干净的人声或伴奏 loop，免去支付官方 remix 授权。
• 练习与教学 — 跟伴奏演唱，再把自己的翻唱和原版清唱对比。
• 音频修复 — 把人声单独抽出来做降噪或音高校正，不影响伴奏。

技术说明

模型在我们的服务器上以纯 CPU 模式运行。容器重启后的第一次请求会花 20–30 秒把 340 MB 的模型权重读进内存，之后的请求会立刻开始处理。单次任务超过服务器上限（当前 50 MB）的音频会被拒收——请先把长文件切分再上传。