人声分离 API | UVR5 中文站
人声分离 API，是指把音频源分离能力以接口形式集成进你自己的产品或工作流。它和面向普通用户的在线网页工具不同：网页工具给你点几下就能用，API 则让你用代码批量调用。本页从选型、成本、合规三个角度，帮你决定是接商用 API 还是自己部署开源模型。
两条主要路线
- 商用 API：直接调用第三方提供的分离接口，按调用量或订阅付费，省去运维，但数据要出网、长期成本随量上升。
- 自建开源：用 Demucs 等开源模型在自己服务器部署，一次性投入硬件和工程，数据不出内网，边际成本低。
- 混合：敏感数据走自建，弹性峰值走商用，兼顾合规与扩容。
商用 API 的取舍
商用 API 的优势是开箱即用、无需养模型、弹性扩容，适合起步阶段或调用量不稳定的团队。劣势有三：一是持续付费，调用量上来后账单增长明显；二是数据出境，未发布或商业音频要确认供应商的留存与训练条款；三是黑盒，你调不了底层模型参数，只能接受它给的质量。选型时重点比对单次价格、并发上限、输出格式（是否给 wav 和多轨）、以及服务等级协议。
自建开源的取舍
自建以 Demucs 为代表，Meta 开源、波形域模型，htdemucs、htdemucs_ft（四轨质量更高）、htdemucs_6s（六轨，含吉他钢琴）都能用。优势是数据完全本地、可调 Shifts（移位平均，1 或 2）等参数、边际成本趋近于硬件折旧。劣势是前期工程：要准备 GPU 机器、写好预处理和后处理、做并发与队列。若团队有运维能力且调用量大，自建长期更划算。
成本结构对比
| 维度 | 商用 API | 自建开源 |
|---|---|---|
| 前期投入 | 低，注册即用 | 高，需 GPU 与工程 |
| 边际成本 | 随调用量线性上升 | 趋近硬件折旧 |
| 数据走向 | 出网到供应商 | 全程本地 |
| 可控性 | 低，参数受限 | 高，可调模型与参数 |
| 扩容 | 弹性好 | 需自管资源 |
合规注意点
第一，音频版权：你处理的素材是否有权分离和再分发，和用哪种技术无关，需自行确认授权。第二，数据条款：商用 API 务必读隐私与训练条款，未发布作品、客户音频优先自建。第三，出口与日志：自建也要管好访问权限和结果留存，避免内部泄露。第四，模型许可：Demucs 等开源模型有各自许可证，商用前核对是否允许商业使用，避免后续纠纷。
从原型到生产的工程要点
无论是接商用 API 还是自建，真正上线前都要补几件事：一是并发与队列，分离是慢任务，要设计异步和回调而非同步等待；二是超时与重试，大文件或模型繁忙时会失败，要有补偿机制；三是结果存储与清理，分离产物可能含敏感音频，要有到期删除策略；四是监控成本，API 调用量或 GPU 时长要设告警。把这些工程细节想清楚，方案才稳。五是做好降级，当主路不可用时有备用模型或队列兜底。
下一步
技术选型确定后，若走自建可参考本站的 Demucs 与桌面版 UVR5 模型说明；若接商用 API，记得回到「在线人声分离隐私」核对数据条款。