UVR5完整教程：免费本地人声分离与伴奏提取，五步产出第一版结果

UVR5完整教程：免费本地人声分离与伴奏提取，五步产出第一版结果

【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui

Ultimate Vocal Remover（UVR5）是一款开源、离线运行的人声分离工具：把音频文件喂给它，它用深度神经网络把一首歌拆成人声、伴奏两条轨，全程在本机完成，不向任何服务器上传音频。本文是我实测整理出的完整路径：装环境、跑通一次标准分离、调质量参数、附常见翻车项的自救速查表。跟做完，你就能拿到一条可用的伴奏。

🚀 跑起来：从零到第一次出结果

第1步：获取源码

git clone https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui cd ultimatevocalremovergui

第2步：安装依赖

pip install -r requirements.txt

第3步：有NVIDIA显卡则换装GPU版PyTorch（可选但强烈建议）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

⚠️ 避坑提醒：权限类报错 → 改用pip install --user，或单独建虚拟环境再装。

⚠️ 避坑提醒：Windows启动即报缺DLL → 补装 Visual C++ Redistributable 运行库。

装完后直接运行UVR.py启动。首次运行会自动下载所需的预训练模型；网络不佳时，把模型文件手动放进models/对应目录再重启即可。

界面速览：整块屏幕分三个区域。左侧是Select Input / Select Output（输入与输出目录）；中间是处理核心——CHOOSE PROCESS METHOD（算法家族）、模型下拉框、SEGMENT SIZE与OVERLAP两个参数；右侧堆着输出格式（WAV/FLAC/MP3）、GPU Conversion开关、Vocals Only / Instrumental Only复选框；最下方是 Start Processing 按钮和版本号。我的建议：初期只动左侧和中间，其余全部保持默认——先跑通，再谈优化。

🎵 核心流程：完成一次标准任务

先用默认推荐配置（MDX-Net + 默认模型、Segment 256、Overlap 8、有显卡就勾上GPU）把流程走一遍：

第1步：选输入—— 点 Select Input，载入要处理的音频文件。第2步：定输出—— 点 Select Output，为分离结果单独指定一个文件夹，与原文件隔开。第3步：确认模型—— 在算法家族下拉框选定架构，再到模型下拉框选定具体权重。第4步：开始处理—— 点 Start Processing，等进度条走完。第5步：拿结果—— 输出目录里得到两个文件，形如歌名_(Vocals).wav和歌名_(Instrumental).wav：前者是人声轨，后者就是你要的伴奏。我实测纯CPU跑完，伴奏没有明显金属音或回声，翻唱和配乐直接可用。

跑通之后，重点才在挑模型。三个模型家族分别存放在models/目录下：

音频类型 / 场景	推荐家族	存放目录
流行、摇滚，人声伴奏要平衡	MDX-Net	models/MDX_Net_Models/
古典、爵士等复杂编曲，重细节保留	Demucs（v3/v4）	models/Demucs_Models/
拿不准时的通用选择，另有DeNoise等专用模型	VR Architecture	models/VR_Models/

我的经验：流行歌先试 MDX-Net，古典和爵士换 Demucs，实在拿不准就从 VR 系列入手——多跑几次对比的边际成本很低，但选错家族的代价是整首歌的返工。

🎛️ 质量调优：从“能用”到“好用”

值得反复试的就两个参数：

• Segment Size（分段大小）：控制音频被切成多长的片段再处理。数值小、内存占用低，适合老机器；数值大、上下文更完整，质量更好。MDX-Net 默认 256，建议从 128 到 512 之间试几档，找到自家机器的甜点值。
• Overlap（重叠率）：控制相邻片段的交叠程度。太低会在拼接处出现“接缝”，太高则明显拖慢速度。MDX23 系模型默认 8（可选 2–50），不满意就加到 16 或 24；MDX-Net 的老版本是比例值，可选 0.25 到 0.99。

硬件加速是最省时间的一项。界面上勾 GPU Conversion 后，程序（逻辑写在separate.py）会自动检测 CUDA，可用就切到 GPU 设备，处理时间通常能压到 CPU 的十分之一左右。硬件门槛参考官方说明：NVIDIA RTX 1060 6GB 是最低要求，显存 8GB 以上更从容。找不到设备时先查驱动版本，查不出就先关GPU用CPU兜底。

顺带用两句话解释它与传统做法的本质区别：传统取伴奏靠固定频率滤波，人声和吉他一旦挤在同一频段就分不清；UVR5 的神经网络是在海量“混音版 vs 干净版”成对数据上训练的，它学的是频谱里哪些特征属于人声、哪些属于乐器，更像一位会“听”的混音师，而不是一把按频率下刀的刀。这也是AI分离结果普遍更干净的原因。想深挖实现的，网络结构与时频处理代码都在lib_v5/目录。

🚑 避坑速查：常见问题与自救

现象	常见原因	对策
CUDA out of memory	显存不足	调低 Segment 数值，或减小批处理规模
分离结果有接缝	重叠率太低	把 Overlap 提到 16 或 24
启动即报DLL错误	缺运行库	安装 Visual C++ Redistributable
模型一直下载失败	网络受限	手动下载模型放进models/对应目录
部分频段听感丢失	算法与素材不匹配	换一个模型家族重新对比

⚠️ 排查原则：任何异常都按“先调参数 → 再换模型 → 最后查环境”的顺序走，九成问题在这个链路里就能解决。

收尾：你的下一步

1. 挑一首你最熟悉的歌，按上面的流程跑一次分离，用得到的_(Instrumental).wav作为你的质量基线，之后再谈优化才有参照。
2. 参数调顺后，把这套组合存进界面的 SAVED SETTINGS，下一首歌直接一键复现，不再从头试错。
3. 单首稳定后上批量：UVR5 支持一次载入多个文件连续处理，一个文件夹的音频挂机跑完不成问题。

如果你试出了比我更好的参数组合或模型搭配，欢迎分享出来——能帮后面的人少走几晚弯路。

【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui