人聲分離與伴奏提取

什麼是人聲分離？

人聲分離（也叫去人聲或音軌分離）是把一首完整的歌曲拆成兩個部分：人聲（演唱、饒舌或說話）和伴奏（其餘所有樂器：鼓、貝斯、吉他、鍵盤、合成器等）。這是讓卡拉OK 不需要現場樂隊的技術基礎，也讓音樂製作人可以取樣、混音或翻唱從未單獨發行的歌曲。

在 2010 年代後期之前，這要嘛需要拿到原始錄音室的分軌檔案（極其罕見），要嘛只能靠反相技巧——而且只在單聲道錄音上有效。現代 AI 模型（例如 demucs）能直接把一首完整混音的歌曲作為輸入，輸出兩條乾淨的音軌，即使作品有大量殘響、側鏈壓縮或多層合聲也照樣能分離。

如何使用本工具

1. 準備音訊。 任何常見格式都可以——MP3、WAV、FLAC、OGG、M4A、AAC、OPUS、WMA、AIFF 或 M4B。取樣率會自動歸一化，位元深度保持不變。
2. 把檔案拖進 上方上傳框，或點擊瀏覽。檔名會顯示在上傳框下方。
3. 選擇輸出格式。 選 MP3 得到體積小、所有裝置都能播放的檔案；選 WAV 得到適合在 DAW 中繼續編輯的未壓縮母帶。
4. 點擊「開始分離」。 瀏覽器把檔案上傳到我們的伺服器，由 AI 模型（htdemucs_ft）處理。進度條會先顯示「正在載入 AI 模型」（首次使用才會出現），接著轉為「正在分離人聲與伴奏」。一首 3 分鐘的歌曲通常需要 60–180 秒。
5. 下載 ZIP。 處理完成後，點擊「下載 ZIP（人聲 + 伴奏）」即可獲得一個壓縮檔，裡面是兩條音軌。兩條音軌的節奏與音高與原檔完全一致，可以直接拖進專案中用。

提升分離效果的幾個要點

• 儘量用最高品質的來源檔案。 128 kbps MP3 這類有損格式會引入 AI 無法還原的雜訊。320 kbps MP3、AAC、FLAC 或 WAV 來源檔的清晰度會明顯更好。
• 片段越短，效果越好、越快。 只需要副歌或主歌的話，先在 DAW 裡切出來；模型會對整段音訊做分析。
• 單聲道也能用。 大多數流行、搖滾、嘻哈作品都是立體聲混音，但 AI 處理單聲道來源同樣出色。
• 過度母帶是分離的大敵。 響度戰爭中被磚牆限制過的曲目會丟失模型所依賴的空間資訊。專業混音但未做過母帶的歌曲，通常比同一首做完 -8 LUFS 限制的版本分離得更好。

這裡「伴奏」到底指什麼

demucs htdemucs_ft 是一個混合 Transformer，會把一首歌拆成四個內部聲源——人聲、鼓、貝斯、其他（吉他、鍵盤、合成器等不屬於前三類的聲音）。本工具使用的 --two-stems vocals 模式回傳兩條音軌：

• 人聲 — 模型對人聲部分的預測。
• 伴奏 — 原始歌曲減去人聲預測後的結果。它是透過把人聲從輸入中減去算出來的，所以某些頻段聽起來會「空」一點。這是正常的，也是所有 AI 去人聲工具共同的取捨。

如果你需要更細粒度的音軌（只要鼓、只要貝斯等），完整的 demucs 模型對外提供這個選項；兩音軌模式已經能涵蓋絕大多數卡拉OK與混音工作流的需求。

常見用途

• 卡拉OK 伴奏 — 把伴奏音軌丟進你的卡拉OK 軟體或 DJ 軟體。
• 清唱提取 用於混音、remix 與 bootleg。
• 取樣 — 從成品裡摳出乾淨的人聲或伴奏 loop，免去支付官方 remix 授權。
• 練習與教學 — 跟伴奏演唱，再把自己的翻唱和原版清唱對比。
• 音訊修復 — 把人聲單獨抽出來做降噪或音高校正，不影響伴奏。

技術說明

模型在我們的伺服器上以純 CPU 模式執行。容器重啟後的第一次請求會花 20–30 秒把 340 MB 的模型權重讀進記憶體，之後的請求會立刻開始處理。單次任務超過伺服器上限（目前 50 MB）的音訊會被拒收——請先把長檔案切分再上傳。