游戏音效提取：从录屏分离人声与音效 | UVR5 中文站

游戏音效提取的需求很具体：要么想单独拿角色语音做字幕剪辑，要么想保留技能音效去掉对话，要么想把 BGM 和音效分层。本文讲用 UVR5 从游戏录屏里分离人声与音效的可行做法，也把边界说在前面。

游戏音频的特点是「混音层级多」：语音、技能音效、环境音、BGM 常常四个层级叠在一起，而且不同游戏混音风格差异极大。这让分离比歌曲难，因为歌曲至少有「人声对伴奏」这个清晰目标，游戏没有。

提取角色语音

想单独拿台词，用 MDX-Net 的 UVR-MDX-NET Main，它把「像人声的部分」提出来。多数游戏的剧情语音能被较好地分离，因为配音通常居中、频段集中。Overlap 设 0.5，Segment Size 256。如果语音里夹着技能音效的「嘶喊」，会一起被留下来，这是模型把高频音效误判成人声，属常见现象。

对动画演出密集的段落，建议分段处理，因为过场音乐一进来就会污染人声轨。手动把纯对话段切出来再跑，比整段跑完再修更省事。

提取音效与环境

想要技能音效、脚步、环境声，走 Demucs 的 htdemucs_ft 四轨。它的 other 轨会包含大部分音效和氛围，drums 轨可能抓到打击类音效。但游戏音效和音乐常混在同一层，四轨分出的 other 仍带 BGM 味，别指望纯音效。

更现实的目标是「分出相对干净的人声」和「剩下的混合层」，而不是精确的三层。做混剪时，把人声轨去掉、用剩下的层当背景，通常已经够用。

可行与边界

• 能做：角色对白单独提出来做字幕版剪辑。
• 能做：削弱 BGM 让语音更清楚。
• 边界：精确分离「技能音效」和「环境音」基本做不到，它们同一层。
• 边界：唱歌型角色曲和配音混在一起的，人声轨会带旋律。

所以游戏音频提取的定位是「降维到可用」，不是「完美分层」。带着这个预期，结果通常能接受。

模型选择对照

下一步建议

下一步，挑一款你常剪的游戏，录一段含对话的录屏，先跑 Main 看语音提得如何，再用四轨看 other 层能不能当背景。把效果最好的组合记在剪辑模板里，下次直接套。游戏混音千变万化，按游戏试比死记参数靠谱。