掩蔽是什么 | UVR5 中文站

掩蔽（Masking）是听觉系统的基本特性：当一个声音足够强时，它会把同时出现、频率相近的另一个更弱的声音盖住，让人听不清甚至完全听不到。放在人声分离里，这正是模型用来「判断哪段频谱属于谁」的重要依据——被掩蔽的部分，模型可以放心地归给更强的那个声源。

UVR5 的 MDX-Net 模型大量依赖掩蔽（Masking）思想工作。理解它，能帮你明白为什么有些歌分离得很干净，有些歌却总在互相串音。下面从原理、依赖方式、对结果的影响三步讲清。

频域掩蔽与时域掩蔽

掩蔽分两种。频域掩蔽（Frequency Masking）发生在同时刻：一个强音会抬高它附近频率的听阈，让弱音被掩盖，这种现象也叫临界频带掩蔽。时域掩蔽（Temporal Masking）发生在时间上：强音出现前后极短一段时间里，弱音也会被盖住，分为前掩蔽和后掩蔽。两种掩蔽都说明，人耳对「绝对安静」不敏感，只对「相对差异」敏感。

模型正是利用这点，把被强声源掩蔽的频谱区域判给强声源。这也是为什么人声和伴奏能量越分明，分离越容易；两者能量越纠缠，越容易串音。

分离模型为什么依赖它

MDX-Net 在频谱上学习一个时频掩蔽（Time-Frequency Mask），也就是给每个时间-频率点一个权重，决定它属于人声还是伴奏。这个掩蔽（Mask）不是凭空算的，而是利用了人耳掩蔽特性：在强伴奏掩盖人声的频率带，模型可以低调处理人声；在清晰频段，则精细保留。换句话说，掩蔽既是人类听感的规律，也是模型输出结构的直接形式，两者在这里合二为一。

对分离结果的影响

掩蔽特性带来两面性：

• 好处是分离更自然，不会为了抠细节而引入刺耳的人工噪点，听感干净；
• 坏处是当人声和伴奏在频率和能量上高度重叠（比如嘶吼压过鼓点），模型容易把重叠区整段判给一方，导致人声缺字或伴奏渗人声；
• Overlap 参数调高（如 0.5 到 0.75）能让模型看到更多上下文，缓解强掩蔽下的误判；
• Segment Size 调大也能提供更多上下文，但会更吃内存，需要按机器配置权衡。

常见误解

下一步建议

想看掩蔽怎么落到模型上，可继续读「源分离是什么」了解整体方法，或读「底噪与信噪比」看另一种干扰分离的因素。实际处理重叠严重的片段时，试着把 Overlap 提到 0.5 以上对比听感，往往比换模型更立竿见影。