人声分离 · 关于我们

人声分离先搞清你要的是哪一类输出

「人声分离」这个词被用得很宽，实际至少对应三种不同目标：一是提取干声（只留人声，去掉伴奏），二是提取伴奏（去掉人声，留下乐器），三是做多轨拆分（人声、鼓、贝斯、其他分开）。目标不同，对素材的要求和可接受的瑕疵完全不同。

如果你只是要做翻唱伴奏，容忍度最高，轻微的人声残留基本听不出来；如果是拿干声去做二次混音，那对残留和音质损耗就非常敏感。先定目标，再选路线，这一步跳过了，后面全是返工。

输入素材决定上限，工具只决定下限

同一套处理流程，喂进去一段录音棚级别的立体声混音，和喂进去一段手机外放的翻录，结果能差出一个量级。几个硬指标先自查：

• 码率与格式：优先用无损或高码率文件，低码率压缩音频里的高频细节已经丢了，处理时会被放大成刺耳的毛刺。
• 是否已经过重度压缩：被压得很扁的素材，动态范围所剩无几，分离后的人声容易发闷。
• 有没有现场混响：混响是分离里最难处理的部分之一，它不属于人声也不属于伴奏，会被算法「劈开」，听起来像水下说话。
• 单声道还是立体声：单声道素材可用的空间信息更少，分离难度通常更高。

人声分离四条最常踩的坑，逐条说清

1. 反复处理同一段音频。分一次不满意，再拿结果分第二次——每处理一次都会叠加失真，两次之后基本救不回来。不满意就回原始文件重来。
2. 把音量拉满再处理。过载的素材不会因为「更响」而更好分，反而会让算法误判。保持合理增益，留出余量。
3. 拿处理结果当「原版」。分离后的人声一定有信息损失，用它做母带或正式发行素材，风险很大。
4. 忽略版权前提。技术上能做到，不代表法律上能用。涉及公开发布时，先确认授权，别等作品被下架才回头补课。

三条路线的真实取舍

在线处理：上手最快，不用装东西，适合临时应急。代价是素材要上传到别人的服务器，涉及隐私内容就别走这条。

本地软件：素材不出本机，可控性高，能反复调参数。代价是学习成本和设备要求更高，老机器跑起来会吃力。

离线模型：介于两者之间，本地运行、批量处理方便。代价是初次配置麻烦，对硬件有一定门槛。

没有绝对更优的一条。判断标准就一句：这段素材涉不涉及隐私、你要不要反复调、你的机器扛不扛得住。

人声分离分完之后，处理顺序别搞反

拿到分轨结果，很多人第一反应是加效果。顺序错了，前面的干净白费。稳妥的次序是：先做轻增益归一，让整体电平合理；再做去齿音和去口水音这类「减法」处理；最后才是压缩和轻微均衡这类「塑形」。先塑形后清理，等于把瑕疵也一起放大。

还有一点：能用耳朵判断的，就别全靠看波形。波形好看不代表听感好，尤其是人声这种对细微变化极敏感的素材。

关于「哪个工具最好」这件事

我们不排榜单。原因很简单：这类工具的迭代速度很快，今天的第一名可能下个月就被改写，而我们没有能力对每一次版本变化都做实测验证。与其给一个可能过时的结论，不如把判断标准交给你——输入素材什么样、输出要求多高、隐私能不能让步。

如果你看到某个页面给出「绝对最强」「秒杀全部」这种说法，先打个问号。音频处理里几乎没有普适最优解，只有适不适合你这一段素材。