企业官网建设流程全解析

喜欢听 Epik High、宋旻浩、Simon Dominic 合作曲的朋友，应该都搜过类似的关键词：“Epik High 宋旻浩 Simon - No, Thank 带和声伴奏”。搜这个词的人，通常不是想听原曲，而是想拿一段能用于翻唱、Reaction 视频、现场演出、编曲学习或者混音练习的伴奏，而且最好还保留一部分背景和声，听感上不会太干。

但现实是，这类“带和声伴奏”的现成资源非常少，能找到的大多是网友私自提取的，音质不稳定，而且存在版权风险。更稳妥、更可控的方式，是自己用本地 AI 人声分离工具从正版音频里提取伴奏。这篇文章不提供任何盗版下载渠道，重点讲清楚：怎么用开源工具做高分离质量的人声去除，怎么尽量保留和声轨，怎么批量处理，怎么通过命令行和接口把这件事工程化。

文章会围绕四个核心环节展开：人声分离工具选型、本地部署环境准备、伴奏提取与和声保留测试、批量任务与接口封装。如果你手里正好有合法获取的音频文件，可以直接照着流程跑一遍。

1. 核心能力速览

先把这类“伴奏提取 + 和声保留”任务的核心能力项列出来。

这里要注意，不要被“AI 人声分离”几个字吓到。现在的开源模型已经相当成熟，普通消费级显卡就能跑，CPU 慢慢跑也能出结果，只是时间问题。

2. 适用场景与使用边界

先明确这个方案适合谁，不适合谁。

适合的人群：

• 翻唱作者：想快速拿到干净的伴奏，尤其想要带一点和声的版本。
• 混音学习者：想拆开人声、鼓、贝斯、其他乐器，逐轨分析混音方式。
• 现场音源处理者：对现场录音做去噪、人声分离、伴奏提取。
• 批量音频处理需求方：比如视频创作者需要对多段素材做统一处理。

不适合的场景：

• 需要直接拿别人分离好的人声、伴奏做商用发行，一定要确认版权授权。
• 对输出质量要求极高、必须使用分轨母带的专业录音室场景，AI 分离只能做辅助。
• 试图通过分离工具“去掉”正版歌曲中受版权保护的人声并重新发布，这仍然属于对原录音的修改使用，需要获得授权。

关于版权问题必须强调：文章里所有操作都应当基于你已经合法获取的音频文件。如果你只有流媒体平台的试听权限，本地分离出来的伴奏只能用于个人学习、练习和合理使用范围内的二次创作，不能直接上传到平台作为原创内容、不能商用、不能二次分发。涉及人脸、声音、音乐版权的场景，一律要确认授权。

3. 环境准备与前置条件

在开始之前，先检查环境。

3.1 操作系统与基础环境

• Windows 10/11、Ubuntu 20.04 及以上、macOS 均可运行。
• 建议使用 Python 3.9 到 3.11 版本，避免依赖冲突。
• 需要安装 FFmpeg，因为 Demucs 音频解码依赖它。

Ubuntu 安装 FFmpeg：

sudo apt update sudo apt install ffmpeg

Windows 推荐使用 winget 安装：

winget install Gyan.FFmpeg

检查是否安装成功：

ffmpeg -version

3.2 Python 虚拟环境

强烈建议创建虚拟环境，不要把依赖装进系统 Python。

python -m venv venv source venv/bin/activate # Windows 下执行 venv\Scripts\activate

3.3 显卡与 CUDA

Demucs 支持 CPU 推理，但速度慢很多。如果有 NVIDIA 显卡，建议提前配置 CUDA 版 PyTorch。

先用nvidia-smi看驱动和 CUDA 版本：

nvidia-smi

然后根据本机 CUDA 版本安装对应 PyTorch。安装方式以 PyTorch 官网为准，例如：

pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu121

这里的cu121需要根据你的 CUDA 版本和 PyTorch 官方适配情况替换。

3.4 音频文件准备

输入的音频建议使用 WAV 或 FLAC 这类无损格式，采样率 44.1kHz、位深 16bit 或 24bit。不要直接拿低码率 MP3 做分离，否则人声和乐器在压缩过程中已经混入难以修复的伪影。

4. 安装部署与启动方式

这里以 Demucs 为主，UVR5 作为补充方案介绍。

4.1 安装 Demucs

在虚拟环境中执行：

pip install demucs

安装完成后，验证命令行可用：

demucs --help

首次运行会自动下载模型权重到~/.cache/torch/hub/checkpoints，需要联网，模型文件通常几百 MB，具体大小以实际下载为准。

4.2 使用 UVR5 图形界面

如果不想碰命令行，可以找 UVR（Ultimate Vocal Remover）的整合包。它提供了图形界面，适合一次性操作单个音频文件。

通用使用流程：

1. 打开 UVR 的启动程序。
2. 选择输入音频文件。
3. 选择人声分离模型，比如 MDX-Net 或 UVR-MDX-NET 系列。
4. 设置输出目录。
5. 点击 Process 开始分离。

UVR5 的优点是模型选择丰富、可视化程度高，缺点是批量处理能力和自动化程度不如 Demucs 命令行。

4.3 对比结论

从工程化角度看，Demucs 更适合脚本化和批量处理，UVR5 更适合手动精细化调参。下面所有自动化示例都以 Demucs 为主。

5. 功能测试与效果验证

以“Epik High 宋旻浩 Simon - No, Thank 带和声伴奏”这个需求为例。假设你已经有合法获取的 WAV 音频文件No_Thank_You.wav，目标有两个：

• 去掉主唱人声，得到纯伴奏。
• 在伴奏里尽量保留背景和声。

5.1 基础分离：去掉主唱人声

Demucs 最简单的用法：

demucs --two-stems vocals -o output "No_Thank_You.wav"

--two-stems vocals表示把音频分成两轨：vocals.wav和no_vocals.wav。其中no_vocals.wav就是去除主唱的伴奏。

判断成功的标准：

• 人声是否明显消失。
• 鼓、贝斯、合成器、钢琴等乐器是否完整。
• 听感上有没有明显的金属声、水声、伪影。

这一步做完，你得到的是“无人声伴奏”。但很多说唱和声复杂，主唱可能被完全去掉，和声也会跟着被削掉一部分，听起来会比较空。

5.2 进阶需求：尽量保留和声

“带和声伴奏”比“纯伴奏”难在：和声往往和主唱一起被归入 vocals stem。不同的分离模型对和声的处理策略不同，有的把和声当做人声跟着一起去掉，有的会把一部分和声留在 other stem 里。

要把和声保留下来，常见的做法有两种。

做法一：使用 4-stem 或 6-stem 分离，再手动混合。

执行 4-stem 分离：

demucs -n htdemucs -o output "No_Thank_You.wav"

输出目录下会得到drums.wav、bass.wav、other.wav、vocals.wav四个文件。

先检查每个轨道的听感：

• 如果背景和声被分进了other.wav，可以直接把drums + bass + other混合成伴奏，这样和声就自然保留在伴奏里了。
• 如果背景和声被分进了vocals.wav，就需要进一步处理。可以把vocals.wav再丢给其他分离模型，尝试分离“主唱”和“伴唱”。这一步效果不稳定，需要多试几个模型。

做法二：使用 UVR 的和声保留模型。

UVR 中有部分模型专为卡拉 OK、和声保留场景设计。这类模型在分离时会把和声尽量保留在伴奏轨道中。具体模型效果因歌曲而异，没有百分百成功的方案。

操作上，你在 UVR 界面里选择 MDX-Net 模型，将输出模式设定为“保留和声”或“保留背景人声”相关模式，然后处理同一个文件，对比输出结果。

5.3 混音：把分离结果组合成需要的伴奏

如果最终你决定把other.wav中的和声与纯伴奏合并，可以用 FFmpeg 完成。

先把三个乐器轨混合成基础伴奏：

ffmpeg -i drums.wav -i bass.wav -i other.wav -filter_complex amix=inputs=3:normalize=0 -ac 2 output_instrumental.wav

再把和声轨以较低音量混合进去：

ffmpeg -i output_instrumental.wav -i harmony.wav -filter_complex "[0:a][1:a]amix=inputs=2:normalize=0:duration=first,volume=1.0" final_accompaniment.wav

这里的harmony.wav是你在第 5.2 步中分离出来的和声轨。音量比例需要根据实际试听调整。

5.4 效果验证清单

每次处理完，建议按这个清单检查：

• 主唱是否被有效去除。
• 和声是否保留在伴奏中。
• 低频是否完整（Bass 和 Kick 是否丢失）。
• 有没有明显伪影和破音。
• 整曲时长是否与原始音频一致。
• 左右声道是否正常，有没有单声道化导致的相位问题。

如果发现某一项不合格，优先调整模型和分段参数，不要急着换工具。

6. 接口 API 与批量任务

Demucs 本身不提供 HTTP API，但在批量处理和自动化场景中，可以通过 Python 脚本或自建服务解决。

6.1 命令行批量处理

Demucs 支持直接传入多个文件：

demucs --two-stems vocals -o output audio1.wav audio2.wav audio3.wav

也可以对目录下所有音频做循环处理，写一个 Python 脚本调用子进程：

import subprocess from pathlib import Path input_dir = Path("./input_audio") output_dir = Path("./output_audio") output_dir.mkdir(exist_ok=True) for audio_file in input_dir.glob("*.wav"): print(f"Processing: {audio_file.name}") subprocess.run( [ "demucs", "--two-stems", "vocals", "-o", str(output_dir), str(audio_file) ], check=True, ) print("All done.")

注意，这个脚本默认使用 CPU 或者当前环境已安装的 torch 默认设备。如果要强制使用 GPU，可以在调用前设置环境变量：

import os os.environ["CUDA_VISIBLE_DEVICES"] = "0"

6.2 用 FastAPI 封装 HTTP 接口

如果要把伴奏提取能力暴露成服务，给前端或第三方工具调用，可以用 FastAPI 包一层。

先安装依赖：

pip install fastapi uvicorn python-multipart

写一个最小接口：

import subprocess import tempfile import shutil from pathlib import Path from fastapi import FastAPI, UploadFile, File app = FastAPI() @app.post("/separate") async def separate(file: UploadFile = File(...)): with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as tmp: tmp.write(await file.read()) tmp_path = tmp.name output_dir = tempfile.mkdtemp() subprocess.run( [ "demucs", "--two-stems", "vocals", "-o", output_dir, tmp_path ], check=True, ) stem_dir = Path(output_dir) / "htdemucs" / Path(tmp_path).stem instrumental_path = stem_dir / "no_vocals.wav" vocal_path = stem_dir / "vocals.wav" return { "status": "ok", "instrumental": str(instrumental_path), "vocals": str(vocal_path), }

启动服务：

uvicorn app:app --host 127.0.0.1 --port 8000

用 curl 测试：

curl -X POST http://127.0.0.1:8000/separate \ -F "file=@No_Thank_You.wav"

这个接口只做演示，实际项目中需要增加异步任务队列、文件清理、鉴权、限流和磁盘空间检查，避免服务被大量任务打满。

6.3 批量任务建议

批量任务不要直接在 HTTP 请求里同步等待，建议用消息队列或简单任务表。例如：

1. 接收任务后，把文件保存到pending目录。
2. 后台 worker 扫描目录，逐个处理。
3. 处理完成输出到done目录。
4. 前端通过任务 ID 查询状态。

这样做的好处是任务失败可以单独重跑，不会因为一个坏文件卡住整批。

7. 资源占用与性能观察

人声分离是典型的计算密集型任务，资源占用主要看模型、音频时长和推理参数。

7.1 显存占用观察

在 GPU 推理时，可以用nvidia-smi实时观察显存占用：

nvidia-smi -l 1

不同模型和不同参数下显存占用差异很大，没有统一的“固定值”。更稳妥的判断是：先用自己的音频跑一次小片段，记录显存峰值，再决定批量任务并发数量。

7.2 CPU 与 GPU 推理差异

CPU 推理也能完成分离，但速度慢得多。一首 3 分钟的歌曲，GPU 可能几十秒到几分钟完成，CPU 可能需要几倍甚至十几倍时间。如果只是偶尔处理一两首歌，CPU 完全够用；如果要批量处理，建议至少准备一张支持 CUDA 的 NVIDIA 显卡。

7.3 影响性能的关键参数

• 音频长度：越长越慢，显存占用也会上升。
• 采样率：高采样率文件计算量更大。
• 模型复杂度：MDX-Net 系列通常比轻量模型更慢。
• 分段参数：Demucs 的--segment参数可以把长音频切成短段处理，降低显存峰值。如果遇到显存不足，可以调小 segment 长度。
• 批处理大小：Demucs 中的--batch可以设置批次，过大容易爆显存。

如果显存不足，一个常见做法是降低分段长度，并关闭 PyTorch 的非必要缓存：

demucs --two-stems vocals --segment 9 -o output "No_Thank_You.wav"

7.4 端口冲突与进程残留

自建 API 服务时，端口被占用是常见问题。先查端口占用：

Linux / macOS：

lsof -i :8000

Windows：

netstat -ano | findstr :8000

如果端口被占用，换一个端口启动即可。

8. 常见问题与排查方法

下面是实际操作中比较常见的几类问题。

这里特别提醒：如果你对不同模型的效果不满意，不要只盯着一个模型调参。换一个模型重跑往往比反复调参更快。AI 人声分离的效果和歌曲风格、混音方式强相关，同一首歌在 A 模型上分离效果好，换一首歌可能 B 模型更合适。

9. 最佳实践与使用建议

结合人声分离和伴奏提取的实际项目，整理几条工程化建议。

第一，先做小片段测试，再跑全曲。处理完整首歌曲之前，先截取副歌和高潮部分测试模型效果，确认人声去除是否干净、和声保留是否合理，避免全曲跑完才发现效果不行。

第二，保留一套最小可运行配置。比如把输入目录、输出目录、模型名、segment 参数、batch 大小写到一个配置文件里，方便重复使用。

示例配置：

{ "input_dir": "./input_audio", "output_dir": "./output_audio", "model_name": "htdemucs", "two_stems": "vocals", "segment": 9, "batch": 4, "device": "cuda" }

第三，输入素材、模型文件、输出结果分目录管理。不要所有文件混在一个目录，批量处理时尤其明显。建议至少分成input/、output/、models/、logs/四个目录。

第四，批量任务加日志和失败重试。每个文件处理前打一条日志，处理后打一条日志，失败时把错误信息单独记录。批量处理中某个文件失败不应该中断整批任务。

第五，接口服务要限制访问范围。如果自建 HTTP API，不要默认监听0.0.0.0，先绑定127.0.0.1，只有需要远程访问时才放开，并加 Token 或简单鉴权。

第六，涉及版权素材必须确认授权。你自己手上的音频能不能做分离、能不能公开使用，取决于你获取该音频时的协议和当地版权法规。不要以为“我本地跑了一下”就自动获得重新发布的授权。

第七，输出质量要复核。AI 分离结果不是百分百可靠。做正式发布前，戴上耳机全曲试听，重点检查：人声是否残留、和声是否保留、低频是否完整、是否有伪影。

10. 总结与下一步

回到最初的需求：想拿到“Epik High 宋旻浩 Simon - No, Thank 带和声伴奏”。最靠谱的路径不是等待现成资源，而是自己基于合法音频，用 Demucs 这类开源模型做人声分离，再用 4-stem 或 6-stem 结果手动混合出保留和声的伴奏版本。

最开始先验证的是两件事。第一，demucs --two-stems vocals能不能把你的目标音频人声干净地去干净。第二，4-stem 分离后，和声到底被分到了vocals还是other，这将决定后续用哪种方式保留和声。

最容易踩的坑有两个：一是直接用低码率 MP3 做分离，输出伪影严重；二是盲目追求“一个模型通吃所有歌曲”，没有针对具体歌曲做模型对比。

接下来可以继续扩展的方向也不少：把分离接口接入自己的视频剪辑流程、用批量脚本处理整张专辑、对不同风格的歌曲做模型效果对比，或者把分离出的和声轨单独用于编曲参考。

这套本地 AI 人声分离方案不复杂，但每一步都能明显影响最终效果。建议先拿一两首歌跑通流程，再根据实际听感调整模型和参数。收藏这篇文章，下次需要伴奏时直接照着操作即可。