源分离是什么 | UVR5 中文站

源分离（Source Separation）是指把一段已经混在一起的音频，重新拆回若干条彼此独立的声音信号的过程。放到 UVR5 的场景里，就是给软件一段带人声的歌曲，它输出一条干净人声和一条伴奏。它要解决的不是「去掉某个频率」，而是「判断哪些波形属于人声、哪些属于伴奏」。

理解源分离的关键，是把它和「消音」区分开。很多人最早接触的人声提取，是用左右声道相减把居中人声消掉，那本质是相位（Phase）操作，和真正的源分离不是一回事。下面从历史和方法两条线看它怎么发展到今天。

源分离在做什么

一段立体声歌曲在文件里只是左右两个波形。源分离模型要做的是一个逆问题：已知混合结果，反推原始声源。它需要同时估计多条声源的频谱，并保证它们加回去能逼近原曲。这个估计靠的是大量歌曲训练出来的统计规律，而不是固定的数学公式。正因为依赖学习，模型对没见过的混音风格也可能表现不稳，这是它的固有特性。

历史脉络：从盲源分离到深度学习

源分离的研究路径大致经历了几个阶段：

• 早期盲源分离（Blind Source Separation）用独立成分分析（ICA）这类统计方法，假设各声源相互独立，对真实音乐效果有限；
• 随后出现非负矩阵分解（NMF），把频谱拆成基与激活的组合，能处理稳态音色但难抓人声瞬态；
• 深度学习时代，以 Wave-U-Net、Conv-TasNet 为代表的波形域模型，以及 MDX-Net、Demucs 这类在频谱或波形上做掩蔽的模型，把分离质量拉到可用甚至好用的水平；
• UVR5 集成的 MDX-Net、VR 架构与 Demucs，正是这条脉络上的成熟成果，免费且开箱即用。

为什么它不等于相位消音

传统消音利用人声常居中、伴奏左右对称的特点，用左减右把中间成分抵消。它的缺陷很明显：人声一旦偏左偏右就漏掉，伴奏里居中的鼓和贝斯会被误杀，而且必然引入相位（Phase）损伤。源分离不依赖声像位置，而是直接建模声音本身，所以能保留更多细节，也不会把居中的乐器当人声消掉。两者在原理层面就是两条不同的路。

在 UVR5 里它对应什么

UVR5 的三大引擎都在做源分离，只是切分粒度不同：MDX-Net 和 VR 架构主要拆人声与伴奏；Demucs 能进一步拆出鼓、贝斯、其他乐器与人声四轨，或六轨含吉他钢琴。你选哪个模型，本质是在选「要把混合信号拆成几条源」。粒度越细，对硬件和参数的要求也通常越高，不是越多越好。

常见误解

下一步建议

读完这篇，可以接着看「掩蔽是什么」理解模型内部如何挑声音，再看「分轨是什么」了解分离出来的文件怎么用。遇到具体模型选择，回到对应的引擎介绍页对照，别只凭名字猜测效果。