你翻唱一首歌，想要干净的伴奏。搜到的答案很分裂：有人让你装 UVR5，说这才是"专业方案"；有人甩来一个网页链接，说三秒就好；还有人推荐几百块的付费软件，说便宜的都不行。
三条路都试了一遍，结果更迷惑——UVR5 跑了二十分钟，人声里还有鼓的残影；网页版三秒出结果，听起来居然差不多；付费软件确实干净，但它连你要的那首歌都没读进去。
先破除一个误解：贵的和慢的，不等于分得更干净
很多人以为分离效果的排序是「付费软件 > 本地开源 > 在线工具」，理由是"本地跑的模型更大""付费的技术更强"。这个排序是错的，因为它把三件不同的事混成了一件。
真正决定分离效果的只有两个变量：用了哪个模型，以及输入音频有多脏。而"在线 / 本地 / 付费"描述的是交付方式，不是模型能力。同一个 Mel-Band RoFormer 权重，你在 UVR5 里跑和在某个网页后端跑，出来的结果不会因为"本地"二字就更好。
搞清这一点，选型问题才有讨论的基础。
底层原理：三条路走的其实是同一套算法
主流人声分离，无论哪种交付形态，核心流程是一致的：
- 时频变换：把时域波形做短时傅里叶变换（STFT），得到一张「频率 × 时间」的二维谱图。声音从此变成一张图。
- 掩码预测：神经网络看这张图，逐个时频点判断「这一格里有多少能量属于人声」，输出一张 0 到 1 的掩码（Mask）。
- 逆变换重建：把掩码乘回原谱图，再做逆 STFT 变回波形。
波形 → STFT → 谱图 → 模型预测掩码 → 掩码 × 谱图 → iSTFT → 分离结果关键在第 2 步的「判断」二字。模型不是把人声从混合里取出来，而是估算每个频点有多少比例属于人声。混音时人声和吉他在同一频段深度叠加，这个信息在数学上已经不可逆了，模型只能靠训练时见过的统计规律去猜。
所以分离本质是估算重建，不是无损拆解。这条限制对三种方案一视同仁——它是算法层面的，不是产品层面的。
模型架构上目前主要三代同时在用：
| 架构 | 代表 | 特点 |
|---|---|---|
| VR Architecture | UVR 系列*_HP-*模型 | 老架构，谱图掩码，速度快，高频略钝 |
| MDX-Net | Kim Vocal、UVR-MDX-NET | 混合时频域，人声通透度好，是当前主流 |
| RoFormer / BS-RoFormer | mel_band_roformer 系 | Transformer 架构，串音抑制最强，算力需求高 |
三条路的真实差异在哪
1. 模型可选性
UVR5 最大的优势不是"本地跑"，而是你可以换模型、堆模型。它内置几十个权重，你可以先用 MDX-Net 出人声，再用 bleed_suppressor 做二次净化，再用管乐专用模型单独抠萨克斯。这套组合拳在线工具通常给不了——网页端为了体验，一般只暴露 2 到 5 个预设。
反过来说，如果你只是要「人声 + 伴奏」两轨，用不到组合拳，这个优势就是零。
2. 算力与耗时
UVR5 在没有独立显卡的机器上，处理一首 4 分钟的歌，CPU 模式常见 5 到 20 分钟；有 6GB 以上显存的 N 卡走 GPU，通常压到 1 分钟内。在线工具把这部分成本转移到服务器，你的设备性能不参与其中——这是它对手机用户和轻薄本用户的决定性优势。
3. 手动干预能力
这是付费软件唯一无可替代的地方。iZotope RX、SpectraLayers 这类工具允许你在声谱图上直接框选并擦除某段残留，像修图一样修声音。AI 分离完剩下的那 5% 顽固串音，只有靠手动才能处理掉。
但要认清它的定位：这类软件是修补工具，不是分离工具。你依然需要先有一个可用的分离结果。
4. 隐私与数据留存
本地方案文件不出机器，这是硬优势。在线方案必须看服务方的留存策略——有没有明确的自动删除时间，是关键判断点。
参数与决策表：直接抄
不管走哪条路，这些数值是通用的：
| 项目 | 推荐值 | 原因 |
|---|---|---|
| 输入音频时长 | ≥5 秒 | 时频掩码算法需要 4-10 秒上下文窗口，短于 2 秒必然翻车 |
| 输入格式 | WAV / FLAC 优先 | 有损源的编码噪声会被模型当成信号一起分离 |
| 中间格式 | 全程 WAV | 分段处理时每次重编码都在叠加损失 |
| 峰值余量 | -6dB 至 -12dB | 已削波的音频，模型无法复原被削平的波形 |
| UVR5 Window Size | 512 或 1024 | 越小越精细越慢 |
| UVR5 Aggression | 4 至 10 | 调太高会啃掉人声高频 |
| 分段裁剪重叠 | 1-2 秒 | 拼接点需要 crossfade 空间，否则爆音 |
场景决策，二选一就够：
- 要人声+伴奏两轨、音源是正常音质的歌→ 在线工具，没有任何理由折腾本地部署
- 要 4 轨以上分轨、或需要特定乐器专用模型→ 优先在线工具的多轨模式，不满足再上 UVR5 组合拳
- 音源是现场录音、手机录音、带环境噪声→ 先降噪再分离的两步流程，别指望单次分离
- 商业交付、需要精修到听不出痕迹→ AI 分离出底，付费软件手动补
- 文件涉密不能上传→ 只能本地
能力边界：三条路都做不到的事
这一节比上面所有内容都重要，因为它决定你的预期。
分离出来的多轨再合并，永远不等于原音频。频率细节会缺失、相位关系被破坏、瞬态被钝化、空间混响信息丢失。这不是工具没做好，是估算重建的必然结果。想靠"分离再合并"洗一遍音质，方向就是错的。
同频段重叠的声音分不开。男声和大提琴挤在 200Hz 附近，任何模型都只能给一个概率划分，不存在完美切割。EQ 更做不到——它只能按频率整段增减。
音效比人声难得多。掌声、爆炸声、脚步声在时频特征上和串音高度相似，串音消除模型会把它们一起削掉。目前音效提取整体仍在"粗提取"阶段。
已经损坏的信息不可复原。录音时削波了、噪声完全盖住人声了，后期没有任何工具能救回来。前端采集永远优于后期修复。
处理次数越多，损失越大。每一轮分离、每一次重编码都在叠加痕迹。能一步到位就不要分两步。
落地：大多数人的最优解其实是最省事的那条
把上面的边界摊开看，会得出一个反直觉的结论：对绝大多数需求，在线工具是最优解，不是妥协方案。
因为常见需求——翻唱要伴奏、剪视频要干净人声、扒一段鼓组当采样——用的都是标准两轨或多轨分离，压根不触碰 UVR5 组合拳的优势区，也不需要付费软件的手动修补。这种情况下，本地部署带来的只有环境配置成本和等待时间。
具体操作路径，以在线AI伴奏提取工具为例，对应上面讲的原理：
第一步，选对模式。音源干净就用普通人声分离；音源是现场录音或手机录的，选深度分离——它是先降噪再分离的两步流程，对应上面「音源脏」那一行的决策。要单独扒吉他、贝斯、鼓、钢琴，走多音轨分离。
第二步，注意输入。上传时长 ≥5 秒，能给 WAV 就不给 MP3。如果素材在抖音、B 站的视频里，可以直接贴链接提取音频，省掉一次录屏转码的损失——少一次有损编码就少一层噪声。
第三步，先试听再导出。处理完直接在页面对比人声轨和伴奏轨。如果人声发闷，通常是深度分离用在了本来就干净的音源上，退回普通模式重跑一次。
它的实际条件是：网页端直接用，不装客户端，不注册，没有次数限制，支持 MP3 / WAV 等常见格式，上传文件 24 小时后自动删除。对于"临时要个伴奏"这种场景，从打开到拿到结果的总时间，比 UVR5 的模型下载进度条还短。
真正需要上 UVR5 的，是那 10% 的场景：要拿特定乐器专用模型、要做多模型串联精修、或者文件敏感不能出本机。那时候二十分钟的等待是值得的。
最后
选型这件事，绕不开一个前提：你得先知道自己的音源有多脏、需要几轨、能接受多少残留。三条路没有绝对高下，只有匹配与不匹配。
多数人卡在这里，不是因为选错了工具，而是因为一开始就抱着「有一个工具能完美分离」的预期。没有这样的工具，算法层面就不存在。理解哪一步在丢信息，比反复换工具重跑参数省时间得多。
)
