企业官网建设流程全解析

Demucs 音频分离实战指南：一条命令拆出人声、鼓点和伴奏

【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs

做视频、录播客、玩混音的朋友，八成都有过这样的时刻：好不容易找到一首歌，想要它的纯伴奏当片头 BGM，全网搜遍不是带水印就是糊成一团；想要单独提取某位歌手的人声做参考，剪半天还是一股子"伴奏残留"。而 Demucs 就是为解决这个痛点而生的开源音频分离工具——它用深度学习把混音里的鼓、贝斯、人声和其他伴奏逐轨拆开，在 MUSDB HQ 测试集上做到了 9.00 dB 的 SDR（信号失真比），更妙的是，你只需要一条命令。👇

从一次"找不到伴奏"的尴尬说起

我印象很深，朋友给乐队翻唱做伴奏带，原曲版权在别人手里，网上找的"伴奏版"居然还有人声和掌声。他花了一个晚上，最后在音频软件里手动抠频段，效果惨不忍睹。后来我把 Demucs 丢给他，十分钟后他发来一句："这玩意儿是人做的吗？"

这其实就是 Demucs 的价值所在：把"分离音轨"这件事，从玄学变成了一条可复现的命令。它不挑歌、不需要专业声学知识、不依赖云端服务，模型跑在你自己电脑上，隐私和速度都握在手里。对新手来说，它是"点一下就能用"的工具；对老手来说，它又是一个能深度调参、能接入 Python 流水线的专业组件。

Demucs 凭什么分离得这么干净

先花两分钟搞懂它为什么强，后面用起来才不迷糊。

Demucs 目前是第四代（v4），核心叫Hybrid Transformer Demucs。通俗点说，它同时开了两条"流水线"来处理一段音频：

• 一条流水线看原始波形（时域），像看一段连续起伏的声波曲线；
• 另一条流水线看频谱图（频域），像看一首歌的"热力图"，哪段频率、哪个时刻在响一目了然；

然后，两条流水线中间架了一座"跨域 Transformer"的桥，让时域信息和频域信息互相参考、互相印证。这个设计的聪明之处在于：鼓声在频谱上特征明显，人声在波形上轮廓清晰，两条流水线互补，分离自然更干净。

上图就是 Demucs v4 的混合架构：下方时域与频域两条编码器分支汇入中央的跨域 Transformer，再经两条解码器分支分别重建，最终输出四轨分离信号。

它的前身 Hybrid Demucs（v3）就是当年索尼 MDX 挑战赛的冠军模型；v4 把最内层换成了跨域注意力，进一步把 SDR 顶到了 9.00 dB。作为对比，很多经典老模型（比如 Wave-U-Net、Open-Unmix）在同一测试集上只有 3~6 dB。差距是"能听见底噪"和"几乎无损"之间的差距。

第一首歌：安装与第一条命令

安装就一条命令，前提是你有 Python 3.8 或更高版本：

# 普通用户装这个就够了，模型第一次运行时会自动下载 python3 -m pip install -U demucs

Windows 用户把python3换成python.exe，建议在 Anaconda Prompt 里执行。装完就能分离，不需要任何额外配置：

# 注意：文件名含空格一定要加引号 demucs "我最近循环的那首歌.mp3"

跑完会看到进度条，结束后在当前目录下多出一个separated/文件夹，结构长这样：

separated/ └── htdemucs/ # 模型名 └── 我最近循环的那首歌/ # 原文件名 ├── vocals.wav # 人声 ├── drums.wav # 鼓 ├── bass.wav # 贝斯 └── other.wav # 其他伴奏

四个文件都是 44.1kHz 的立体声 wav，可以独立播放。第一次跑通的那一下，成就感真的不亚于第一次学会剪辑。

只想要伴奏或人声？两个参数搞定

默认输出四轨，但很多场景你只需要其中一轨或两轨。这时候用--two-stems，它会额外帮你把"其余所有声音"混成一条：

# 卡拉OK神器：只要人声 + 无人声伴奏 demucs --two-stems=vocals "流行歌曲.mp3"

跑完会得到vocals.wav和no_vocals.wav两个文件，前者可以拿去做翻唱参考，后者直接当伴奏用。同样的思路，把vocals换成drums或bass，就能单独提取鼓点或贝斯线，做 remix 或者练耳都很好使。

如果你想把结果直接存成 MP3 省空间，加上输出格式参数：

# 320kbps 高质量 MP3 输出 demucs --mp3 --mp3-bitrate 320 "高音质音乐.flac"

另外有两个小技巧值得记住：一是如果分离结果偶发削波（音量爆了），加--clip-mode clamp改用硬削波策略；二是如果觉得分离质量差一点意思，可以试试--shifts 4——它会对音频做多次随机位移预测再取平均，能小幅提升分离精度，代价是耗时翻倍。

模型怎么选：一张表看懂

用-n参数可以切换预训练模型，默认是htdemucs。我整理了一张选择表，照着挑就行：

用法很简单：

demucs -n htdemucs_ft "重要录音.wav"

小提醒：htdemucs_6s的钢琴轨目前质量一般，官方都承认有串扰，想认真做钢琴分离的话建议多听听效果再决定。

显存不够、只有 CPU？三条退路都在这里

分离是纯计算活，模型越大越吃显存。默认参数下跑 GPU 大约要 7GB 显存，如果遇到CUDA out of memory，按下面顺序依次尝试：

1. 缩小分块：加--segment 4，把音频切成更短的片段逐段处理，显存占用立刻降下来；
2. 关缓存：设置环境变量PYTORCH_NO_CUDA_MEMORY_CACHING=1，能再挤一挤，但会变慢；
3. 回 CPU：直接-d cpu，处理时间大约是音频时长的 1.5 倍，一首四分钟的歌大概六分钟出结果，可接受。

如果你的 CPU 是多核的，还可以用-j 4开 4 个并行任务，吃满核心跑得更快（内存会跟着涨，别开太狠）。

把它变成自己程序的一部分：Python API

命令行适合人用，如果你想把它嵌进自己的脚本或工具，Demucs 也提供了干净的 Python 接口，三行代码就能跑一次分离：

import demucs.api # 初始化分离器，可以指定模型和分块长度 separator = demucs.api.Separator(model="htdemucs", segment=8) # 分离文件，返回原始音频和分离结果（一个 dict） origin, separated = separator.separate_audio_file("demo.mp3") # 逐轨保存，注意目标目录要先建好 import os os.makedirs("out", exist_ok=True) for stem, source in separated.items(): demucs.api.save_audio(source, f"out/{stem}.wav", samplerate=separator.samplerate)

这套 API 的完整说明在项目里的 docs/api.md，回调、参数热更新（update_parameter）、批量分离都有现成实现，想深入了解源码的话，分离逻辑集中在 demucs/separate.py，模型实现在 demucs/htdemucs.py。

最后：几条心得和下一步建议

如果只看本文一个结论，那就是：先装好，随便拿一首歌跑一遍，再回来读参数。音频分离的乐趣在于听感反馈，参数调来调去都不如亲手听一次对比来得直观。

动手之前，留给你三句实在话：

• 输入决定上限：源文件越干净，分离效果越好；转码多次的网盘音质，神仙模型也救不回来；
• 别贪快：第一次跑建议用默认参数，确认效果满意后再用--shifts、--overlap这类技巧微调；
• 多看官方文档：不同系统的坑（比如 Windows 的 ffmpeg 依赖、macOS 的安装细节）都写在 docs/windows.md、docs/mac.md 和 docs/linux.md 里，遇到问题先翻它们。

今晚就挑一首你最近单曲循环的歌试一把吧——戴上耳机，把分离出来的drums.wav单独播一遍，你会第一次听清一首歌"骨架"的声音。这大概就是这类工具最迷人的地方：它不改变音乐，只是把藏在混音里的层次，一件件还给你。🎧

【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs