Python+Demucs实战：仅凭贝斯声轨识别BEYOND歌曲

之前在整理音频素材时，我冒出一个有点挑战性的想法：把BEYOND的经典歌曲做一次“去人声、去吉他、去鼓”，只保留贝斯轨，然后不看任何提示，只听贝斯声音猜歌。结果发现，这个玩法比想象中难，也比想象中有意思。

贝斯在摇滚乐队里往往是被忽略的声部，但它恰恰是连接鼓点和弦乐的“骨架”。BEYOND时期的贝斯演奏风格很有辨识度，有些歌曲的贝斯线一响，熟悉的人就能隐约捕捉到旋律轮廓。不过要做到“只听贝斯猜歌”，光靠人耳还不够稳定，这时候就可以让Python来帮忙。

这篇文章会围绕“BEYOND只听贝斯声音猜歌”这个主题，从音源分离、音频特征提取、相似度匹配三个环节，完整实现一个“贝斯猜歌系统”。内容包括完整代码、运行流程、常见报错排查和工程化建议。适合对音乐信息检索（MIR）、Python音频处理感兴趣的新手，也适合想用 Demucs + librosa 做音频类毕业设计或小项目的开发者。

1. 背景与核心概念

1.1 为什么“只听贝斯猜歌”有难度

很多人听歌时注意力会被主唱和人声旋律带走，吉他和鼓往往排在第二位，贝斯通常只被当作“背景低频”。但贝斯其实是整首歌律动的支撑点，它决定了和弦根音走向，也决定了节奏的“推动感”。

BEYOND的歌曲里，贝斯并不是简单的“根音机器”。以《海阔天空》《光辉岁月》《真的爱你》等经典作品为例，贝斯声部在不同段落会使用不同的律动型，有时走八分音符根音，有时加入经过音和滑音。如果只保留贝斯轨，很多听众会发现，自己记住的是副歌的人声旋律，一旦人声和吉他solo被拿掉，反而不太容易立刻说出歌名。

这正是这个项目有意思的地方：它要求系统从低频声部中提取出足够有区分度的音频特征，再和歌曲库做匹配。换句话说，我们需要解决的是“一首歌的贝斯轨在特征空间里是否足够独特”的问题。

1.2 从音频到答案的整体技术路线

要实现“只听贝斯猜歌”，最简单的技术路线是：

1. 音源分离：使用 Demucs 把原始歌曲拆分成 vocals、drums、bass、other 四条音轨，我们只保留 bass.wav。
2. 特征提取：用 librosa 对贝斯轨提取 Chroma（色度特征）、MFCC（梅尔倒谱系数）等特征，把音频变成一组向量。
3. 相似度匹配：把待查询的贝斯片段与歌曲库中的特征做余弦相似度计算，取得分最高的 Top-K 作为猜测结果。

这个流程本质上是一个“基于内容的音乐检索”任务，也就是 MIR（Music Information Retrieval）里的典型方向。它不只可以用于猜歌，也可以扩展到翻唱识别、旋律相似度对比、音乐推荐等场景中。

1.3 本文涉及的核心工具

• Demucs：一个由 Meta 开源的音源分离模型，支持把歌曲分离为多音轨。
• librosa：Python 音频分析库，负责读取音频、提取特征。
• NumPy：特征向量计算与归一化。
• scikit-learn：可选，用于训练更复杂的分类器。
• soundfile：用于读写 WAV 音频文件。

这套组合是目前做音频特征实验比较常用的一套方案，社区资料多，且代码相对容易阅读和修改。

2. 环境准备与版本说明

2.1 运行环境要求

本文示例以 Python 3.9 及以上版本为例，操作系统可以使用 Windows 10/11、Ubuntu 20.04 或 macOS。如果你的项目环境已经存在其他 Python 包，建议创建独立虚拟环境，避免依赖冲突。

python -m venv venv source venv/bin/activate # Linux / macOS venv\Scripts\activate # Windows

2.2 安装依赖库

以下命令安装核心依赖。需要说明的是，具体版本应根据你本地的 Python 版本和环境进行调整，这里不把版本写死。

pip install demucs librosa numpy soundfile scikit-learn

如果你的环境不支持 Demucs 的 GPU 加速，也可以只在 CPU 上运行，速度会慢一些，但小规模歌曲库仍可以接受。Demucs 在 Windows 上依赖 FFmpeg 解码部分音频格式，如果后续分离时遇到解码报错，需要先安装 FFmpeg 并配置到环境变量。

2.3 项目结构规划

为了代码清晰，我建议按下面的结构组织项目：

BEYOND_Bass_Guess/ ├── data/ │ ├── originals/ # 原始歌曲，需要自行准备 │ └── stems/ # Demucs 分离后的音轨 ├── features/ # 贝斯特征库 ├── src/ │ ├── __init__.py │ ├── separate.py # 音源分离模块 │ ├── features.py # 特征提取模块 │ ├── build_library.py # 构建歌曲库 │ └── guess.py # 猜歌主程序 └── requirements.txt

data/originals目录下放置需要入库的 BEYOND 歌曲。请一定使用你拥有版权或者已获得授权的音频文件，本文只讨论技术流程，不提供任何歌曲下载渠道。

3. 核心原理拆解

3.1 音源分离：Demucs 是怎么把贝斯“拆”出来的

Demucs 是一个基于深度学习的音源分离模型。简单来说，它把混音后的音频作为输入，模型内部通过卷积和 Transformer 结构学习不同声部的特征，最终为每个声部生成一个“掩蔽”，再用这个掩蔽从原始混合信号中分离出目标声部。对于本文的场景，我们只关心 bass 轨。

Demucs 的经典模型是htdemucs，它能把歌曲拆成四个音轨：

• drums
• bass
• other
• vocals

我们可以通过命令行直接使用：

demucs -n htdemucs --out data/stems "data/originals/海阔天空.mp3"

执行完成后，会在data/stems/htdemucs/海阔天空/目录下得到四个 WAV 文件。这里需要注意的是，如果你使用的 Demucs 版本不同，默认模型名称和输出目录结构可能会有差异，请以实际输出为准。

3.2 音频特征为什么要用 Chroma 和 MFCC

分离得到贝斯轨之后，音频仍然是一个波形数组，不能直接用于匹配。我们需要把一段音频转换成能够代表其“音乐内容”的向量。

• Chroma 特征：也叫色度特征，它把音频能量映射到 12 个音高类别上，不考虑八度差异。贝斯轨的旋律线条和和弦走向会体现在 Chroma 分布中，因此非常适合用来描述“这段贝斯在走哪些音”。
• MFCC 特征：梅尔倒谱系数，它描述的是音频的频域包络，更多反映“音色”和“声音质感”。不同歌曲的贝斯音色、演奏力度、录音混音风格会有差异，MFCC 可以补充 Chroma 特征的不足。

在实际代码中，我会对每一段音频计算 Chroma 和 MFCC，并提取它们的均值、标准差、中位数、最小值、最大值等统计量，组成一个固定长度的特征向量。

3.3 相似度匹配：为什么用余弦相似度

当每首歌都被表示成一个向量后，猜歌问题就变成了“哪个库内向量与查询向量最相似”的检索问题。余弦相似度衡量的是两个向量在方向上的接近程度，而不是距离大小，所以对音频整体响度变化不敏感，这正是我们需要的性质。

余弦相似度公式为：

similarity = cos(A, B) = (A · B) / (||A|| * ||B||)

在 Python 中实现异常简单，但需要注意的是，特征向量各维度量纲不同，建议在比较前做一次标准化，否则数值较大的维度会主导相似度结果。

3.4 从整轨匹配到片段级匹配

直接用整首歌的贝斯轨做匹配虽然可行，但鲁棒性不高。因为一首歌可能有前奏、主歌、副歌、间奏，不同段落之间的贝斯特征差异很大，用户查询时往往只拿出其中一段。

更合理的方式是：

1. 建库阶段：把每首歌的贝斯轨切成多个 15 秒片段，分别提取特征。
2. 查询阶段：把查询音频也切成片段，提取特征后与库内所有片段计算余弦相似度。
3. 聚合阶段：取查询片段与同一首歌所有片段的平均相似度作为最终得分。

这样即使查询音频只包含歌曲的某一段，也能通过库内多片段覆盖提高匹配命中率。

4. 完整实战案例

4.1 准备歌曲库与基础配置

首先，把你本地拥有的 BEYOND 歌曲放入data/originals目录。为了保证实验效果，建议至少准备 5 首以上的歌曲，并且尽量包含不同风格的段落编排。

创建requirements.txt：

demucs librosa numpy soundfile scikit-learn

安装依赖：

pip install -r requirements.txt

4.2 编写音源分离模块

在src/separate.py中编写音源分离逻辑。我们会调用 Demucs 的命令行工具，并返回 bass 轨路径。

# 文件路径：src/separate.py import subprocess from pathlib import Path def get_bass_track(audio_path, stems_dir): """ 使用 Demucs 分离音轨，并返回 bass.wav 路径。 :param audio_path: 原始音频文件路径 :param stems_dir: 分离输出根目录 :return: bass 音轨完整路径 """ audio_path = Path(audio_path) stems_dir = Path(stems_dir) stems_dir.mkdir(parents=True, exist_ok=True) cmd = [ "demucs", "-n", "htdemucs", "--out", str(stems_dir), str(audio_path) ] print("执行命令：", " ".join(cmd)) subprocess.run(cmd, check=True) song_name = audio_path.stem bass_path = stems_dir / "htdemucs" / song_name / "bass.wav" if not bass_path.exists(): raise FileNotFoundError(f"未找到 bass 音轨：{bass_path}") return bass_path

这里的关键是-n htdemucs指定模型，--out指定输出目录。如果后续你更换了 Demucs 模型或版本，输出目录结构可能变化，需要同步调整拼接路径的逻辑。

4.3 编写特征提取模块

在src/features.py中实现特征提取函数。这里采用“先切片、再提取、最后池化”的思路。

# 文件路径：src/features.py import librosa import numpy as np SAMPLE_RATE = 22050 SEGMENT_LENGTH = 15 # 每个片段时长（秒） N_MFCC = 13 def _segment_stats(feature_matrix): """ 对一个特征矩阵按行计算统计量，用于压缩时序信息。 feature_matrix 的形状为 (n_features, n_frames) """ def stats(x): return np.array([ np.mean(x), np.std(x), np.median(x), np.min(x), np.max(x) ]) result = [] for row in feature_matrix: result.append(stats(row)) return np.concatenate(result) def extract_single_segment(seg, sr=SAMPLE_RATE): """ 提取单个音频片段的特征向量。 """ chroma = librosa.feature.chroma_cqt(y=seg, sr=sr) mfcc = librosa.feature.mfcc(y=seg, sr=sr, n_mfcc=N_MFCC) chroma_feat = _segment_stats(chroma) mfcc_feat = _segment_stats(mfcc) return np.concatenate([chroma_feat, mfcc_feat]) def extract_segment_features(audio_path, sr=SAMPLE_RATE): """ 读取音频并切成多个片段，返回特征列表。 每首歌可能包含多个片段，每个片段对应一个特征向量。 """ y, sr = librosa.load(audio_path, sr=sr, mono=True) seg_len = int(sr * SEGMENT_LENGTH) total_len = len(y) n_segments = max(1, int(np.ceil(total_len / seg_len))) features = [] for i in range(n_segments): start = i * seg_len end = min(total_len, start + seg_len) seg = y[start:end] # 太短的片段没有足够信息，直接丢弃 if len(seg) < sr * 5: continue feat = extract_single_segment(seg, sr=sr) features.append(feat) return features

这个模块的核心是extract_single_segment。Chroma 和 MFCC 原本是随时间变化的矩阵，直接拼起来维度不固定，因此我对每一维特征做了一次统计池化，把整段音频压缩成一个固定长度向量。

4.4 构建歌曲特征库

在src/build_library.py中遍历歌曲目录，依次完成分离和特征提取，并保存为.npz文件。

# 文件路径：src/build_library.py import json from pathlib import Path import numpy as np from src.separate import get_bass_track from src.features import extract_segment_features SUPPORTED_AUDIO = {".mp3", ".wav", ".flac", ".m4a"} def build_library(originals_dir, stems_dir, features_dir): originals_dir = Path(originals_dir) stems_dir = Path(stems_dir) features_dir = Path(features_dir) features_dir.mkdir(parents=True, exist_ok=True) meta = {} for audio_file in sorted(originals_dir.iterdir()): if audio_file.suffix.lower() not in SUPPORTED_AUDIO: continue print(f"正在处理：{audio_file.name}") # 1. 分离出 bass 轨 bass_path = get_bass_track(audio_file, stems_dir) # 2. 提取贝斯特征 seg_features = extract_segment_features(bass_path) # 3. 保存特征 song_key = audio_file.stem np.savez_compressed( features_dir / f"{song_key}.npz", features=np.array(seg_features) ) meta[song_key] = { "source": audio_file.name, "segments": len(seg_features) } print(f"提取完成：{audio_file.name}，片段数：{len(seg_features)}") with open(features_dir / "meta.json", "w", encoding="utf-8") as f: json.dump(meta, f, ensure_ascii=False, indent=2) print(f"特征库构建完成，共收录 {len(meta)} 首歌曲。") if __name__ == "__main__": build_library( originals_dir="data/originals", stems_dir="data/stems", features_dir="features" )

运行建库命令：

python -m src.build_library

在 BEYOND 歌曲数量较多、音频较长时，这一步会比较耗时，因为 Demucs 需要逐首解码和推理。如果机器支持 GPU，建议开启 GPU 加速。

4.5 编写猜歌主程序

在src/guess.py中实现查询和打分逻辑。

# 文件路径：src/guess.py import argparse from pathlib import Path import numpy as np from src.features import extract_segment_features def normalize_vector(v): norm = np.linalg.norm(v) if norm < 1e-8: return v return v / norm def cosine_similarity(a, b): a = normalize_vector(a) b = normalize_vector(b) return float(np.dot(a, b)) def recognize(query_audio, features_dir, top_k=3): """ 传入贝斯音频，返回 Top-K 猜歌结果。 """ query_features = extract_segment_features(query_audio) if not query_features: raise ValueError("查询音频太短，未能提取到有效特征。") # 查询音频的所有片段特征做平均池化 query_feat = np.mean(np.array(query_features), axis=0) scores = [] for npz_path in Path(features_dir).glob("*.npz"): if npz_path.name == "meta.json": continue data = np.load(npz_path) library_features = data["features"] # 计算查询特征与库内每个片段的相似度，再取平均 segment_scores = [ cosine_similarity(query_feat, lib_feat) for lib_feat in library_features ] avg_score = float(np.mean(segment_scores)) scores.append((npz_path.stem, avg_score)) scores.sort(key=lambda x: x[1], reverse=True) return scores[:top_k] if __name__ == "__main__": parser = argparse.ArgumentParser(description="BEYOND 贝斯猜歌程序") parser.add_argument("--query", type=str, required=True, help="查询音频路径，建议先分离出 bass 轨") parser.add_argument("--features", type=str, default="features", help="特征库目录") parser.add_argument("--topk", type=int, default=3, help="返回前几个结果") args = parser.parse_args() results = recognize(args.query, args.features, top_k=args.topk) print("猜歌结果：") for rank, (song, score) in enumerate(results, start=1): print(f"第 {rank} 名：{song}，相似度：{score:.4f}")

这里把查询片段特征做了平均池化，再与库里每个片段比较。平均池化会损失一部分时序信息，但对小规模歌曲库来说足够使用。

4.6 运行与验证

假设你已经构建好特征库，接下来可以玩“贝斯猜歌”了。

第一步，任选一首库里的歌曲，用 Demucs 单独分离它的 bass 轨：

demucs -n htdemucs --out data/stems "data/originals/不再犹豫.mp3"

第二步，用/data/stems/htdemucs/不再犹豫/bass.wav作为查询音频：

python -m src.guess --query "data/stems/htdemucs/不再犹豫/bass.wav" --topk 3

预期输出示例：

正在提取查询音频特征... 猜歌结果： 第 1 名：不再犹豫，相似度：0.9234 第 2 名：真的爱你，相似度：0.8712 第 3 名：光辉岁月，相似度：0.8456

如果查询音频就是特征库里的同一首，通常第一名会是正确结果。如果查询音频来自改编版本或其他演唱会的现场录音，相似度会有所下降，但依然有希望通过贝斯特征找到原曲。

5. 常见问题与排查思路

5.1 Demucs 分离时提示找不到 FFmpeg

问题现象	常见原因	解决思路
报错ffmpeg not found	系统缺少 FFmpeg 解码器	安装 FFmpeg，并确保命令行中可以直接运行ffmpeg -version
能运行但只生成部分音轨	Demucs 版本模型名称差异	检查data/stems下实际目录结构，确认模型输出路径

在 Windows 上，FFmpeg 需要手动下载并配置 PATH，也可以使用包管理器安装。安装完成后，在终端执行：

ffmpeg -version

只要能看到版本信息，说明 FFmpeg 环境已经就绪。

5.2 librosa 读取音频报错

问题现象	常见原因	解决思路
audioread.exceptions.NoBackendError	音频格式缺少解码后端	安装soundfile和audioread，或先把 mp3 转为 wav
音频文件路径中文导致读取失败	某些后端不支持中文路径	使用英文目录，或改用相对路径

为了避免中文路径带来的坑，建议项目根目录使用英文命名，歌曲文件本身可以用中文名，但父目录最好用英文。

5.3 特征维度不统一

如果构建特征库时的参数和查询时的参数不一致，比如N_MFCC不同，或者SEGMENT_LENGTH不同，会导致特征向量维度不相同，计算相似度时直接报错。

解决方法是把SAMPLE_RATE、N_MFCC、SEGMENT_LENGTH等参数统一放到一个config.py文件里，所有模块都从同一个配置导入。这样在调整参数时，不会出现库里和查询端各用一套参数的问题。

5.4 猜歌准确率偏低

问题现象	常见原因	解决思路
第一名不是正确歌曲	特征区分度不足	增大片段长度、增加片段数量、加入节奏特征
不同歌得分接近	歌曲之间贝斯风格相似	使用更多片段做投票，或改用分类模型

目前这个简单的相似度方案，适合歌曲数量较少、风格差异较大的场景。如果你要识别几十首甚至上百首歌曲，建议训练一个专门的分类模型，例如 SVM 或简单神经网络，效果会比纯余弦相似度更稳定。

5.5 内存不足

Demucs 推理时会把完整音频加载到内存中，长音频或高采样率会占用较多内存。如果遇到MemoryError，可以尝试：

• 将音频提前裁剪成多个片段，再分别分离。
• 降低 Demucs 内部处理分辨率。
• 分批处理，不要一次性把几十首歌塞进循环。

6. 最佳实践与工程建议

6.1 数据管理与版权合规

做音频实验最大的坑不是代码，而是数据来源。请务必只使用你自己拥有版权、或者已获授权的歌曲文件。分离出来的 bass 轨也不要公开传播，否则可能涉及版权纠纷。

如果你只是技术演示，建议使用自己录制的贝斯音频，或者使用开源的 MIDI 合成贝斯音频来做实验。这样既能验证流程，又不会踩版权红线。

6.2 特征设计与标准化

从实验结果看，Chroma 和 MFCC 统计量已经能解决一部分问题，但有几点可以优化：

• 对不同歌曲的整体响度做归一化，避免音量大的歌曲天然获得更高分数。
• 对特征向量做 L2 归一化，让余弦相似度更稳定。
• 可以加入节拍特征，比如用librosa.beat.tempo提取每分钟节拍数（BPM）。BEYOND 的歌曲节奏差异较大，BPM 是一个不错的区分维度。

6.3 降低音源分离时间成本

音源分离是整套流程中最耗时的环节。如果只是做特征库测试，可以提前把全部歌曲一次性分离好，后续只加载bass.wav。这样在反复调整特征算法时，不需要每次都重新跑 Demucs。

另外，Demucs 支持按目录批量处理：

demucs -n htdemucs --out data/stems data/originals

如果歌曲很多，建议用批处理脚本并行调用，并记录哪些歌曲已经分离完成，避免重复计算。

6.4 从相似度匹配升级到分类模型

当歌曲数量超过 20 首时，纯相似度匹配的效果可能会下降。更可靠的做法是：

1. 对每首歌的贝斯轨切出 N 个片段。
2. 对每个片段提取特征。
3. 用 scikit-learn 训练一个分类器，标签是歌曲名。
4. 查询时对该片段做预测，并统计预测结果的众数。

下面是一个简单的 SVM 分类示例思路：

from sklearn.svm import SVC from sklearn.model_selection import cross_val_score # 假设 X 是特征矩阵，y 是歌曲标签 # clf = SVC(kernel="rbf", probability=True) # scores = cross_val_score(clf, X, y, cv=5)

这种方式把“猜歌”转化成了标准的监督学习问题，准确率和稳定性都会更高。但需要构建足够多的训练样本，每个片段至少覆盖歌曲的一个完整乐句。

6.5 日志与可复现性

音频特征提取和模型训练过程要保留日志，包括：

• 歌曲文件名与特征文件名的对应关系。
• 特征提取参数。
• Demucs 模型版本。
• 每次实验的识别结果和准确率。

建议在features/meta.json中记录参数版本，这样后续调参时可以快速对比不同参数的效果。

6.6 生产环境的部署考虑

如果要把“贝斯猜歌”做成一个 Web 服务，需要考虑：

• 使用异步任务处理 Demucs 分离任务，避免接口长时间阻塞。
• 特征库使用向量数据库或简单的npz文件索引，减少内存占用。
• 提前把特征加载到内存，避免每次查询都读取磁盘。
• 对查询音频做时长限制，比如只允许 10 到 60 秒的片段。

简单来说，这个项目做成 Demo 很容易，但要达到生产级效果，还需要在特征、模型和服务架构上做不少优化。

7. 总结与学习路线

“BEYOND 只听贝斯声音猜歌”本质上是一个完整的音频内容检索项目。通过本文的实战，你应该已经掌握了几项关键能力：

• 使用 Demucs 完成音源分离，并提取出 bass 音轨。
• 使用 librosa 提取 Chroma、MFCC 等音频特征。
• 使用余弦相似度实现歌曲检索。
• 了解特征库构建、查询、评分的基本流程。

如果只是把本文代码跑通，那只是第一步。更深入的学习路线可以这样推进：

1. 扩展音源分离模型：对比 Demucs 与 Spleeter 在贝斯轨分离上的效果差异。
2. 增强特征表达：加入 CENS、Chroma CQT、节拍直方图、频谱质心等特征。
3. 引入序列匹配：使用动态时间规整（DTW）比较两段贝斯轨在时序上的相似度，而不是简单平均池化。
4. 训练专用分类器：把歌曲数量扩大到几十首，训练一个 CNN 或 LSTM 模型。
5. 做成 Web Demo：用 FastAPI 把猜歌接口封装起来，前端上传贝斯片段，后端返回预测结果。

在整个过程中，优先级最高的事情是：先保证音频数据来源合法，再追求模型准确率。音频处理的坑往往不在算法，而在数据格式、路径编码、依赖版本这些琐碎问题上。遇到报错不要慌，把错误信息拆开，先定位是解码问题、路径问题还是模型输出问题，大部分问题都能快速解决。

如果你也和当年的我一样，喜欢 BEYOND，又对音频技术感兴趣，可以试着把这套流程跑一遍。当系统真的从一段贝斯声里猜中《海阔天空》时，那种“解谜成功”的感觉，比单纯听歌要好玩得多。