什么是人声分离？音频源分离原理入门 | UVR5 中文站

人声分离的通俗定义是：从一段混音歌曲中，把人声和伴奏各自还原成独立的音轨。它的学名是音频源分离（Music Source Separation），是人工智能在音频领域最成功的应用方向之一，UVR5 就是把这类技术 packaged 成桌面软件的代表作品。

混音是加法，分离是逆向还原

一首歌曲的成品是制作人把人声、鼓、贝斯、吉他等声部叠加混音的结果。对听者来说，最终波形里所有声部都纠缠在同一条曲线上。早期的传统方法（如相位消音、中置声道提取）利用的是简单规律，效果有限且副作用明显。

AI 模型的做法完全不同：模型在训练阶段听过海量成对的数据——同一段音乐的完整混音与它的原始分轨，从而学会了从混合信号中识别每个声部的特征模式。推理时，模型对音频逐段分析，预测每个时间频率点上属于目标声部的概率，再用掩蔽（Masking）或波形重建的方式把目标声部还原出来。UVR5 里的 MDX-Net 走频域掩蔽路线，Demucs 则直接在波形上重建，这也是两者音色风格差异的根源。

为什么分离结果不可能 100% 完美

理解了原理就明白音质损失的必然性：模型是在做预测，而不是在解一道有唯一答案的方程。混音过程中声部互相覆盖、混响把人声涂抹到整个频段、压缩器把动态压扁，这些信息在混音时已经丢失，任何模型都无法凭空还原。所以分离输出总会有残留与音染，工程上的目标是用更好的模型与参数把损失压到听感可接受的程度。

决定分离质量的四个因素

• 模型能力：不同模型与引擎对声部的建模能力不同，详见模型大全栏目。
• 输入音质：高压缩 mp3 的编码伪影会被模型放大，无损音源效果显著更好。
• 歌曲难度：和声密集、电子音墙、强混响的曲目难度远高于人声清晰的流行歌。
• 参数设置：分段大小、重叠率、剥离强度等参数影响接缝与音染，见参数详解。

人声分离能用来做什么

最常见的用途包括：K 歌伴奏制作、翻唱对轨与和声提取、扒带与编曲参考、播客与访谈的语音净化、影视素材与游戏二创的音源处理，以及为 AI 歌声转换（如 RVC）准备训练用干声。本站的使用教程栏目按场景提供了完整实操流程。