Audiofilter
    试试人声分离

    指南

    怎么在 Audacity 里去人声

    Audacity 能把一条立体声轨里居中的主唱抽掉，而且免费、离线。它也会把底鼓和贝斯一起带走；而在人声带着立体声混响的混音里 — 也就是绝大多数商业流行乐 — 它几乎不起作用。下面说怎么做，以及怎么事先判断值不值得一试。

    约 7 分钟

    简短的答案

    打开立体声文件，选中整条轨，然后 效果 → Vocal Reduction and Isolation，把 Action 设为 Remove Vocals，然后导出。Audacity 3.2 把效果菜单重组成了子菜单，所以在当前版本里请到这里找： 效果 → 特殊；在 2.x 里它直接在效果菜单下。

    整个流程就这些。这个页面剩下的部分讲的是没人提的那一块： 这个效果实际在做什么，以及它交回来的伴奏为什么听起来是空的。

    做法一：内置效果

    1. 导入一个立体声文件。 File → Import → Audio，或者把它拖进窗口。它必须是立体声 — 见下面关于单声道的说明。
    2. 全选。 Ctrl+A (Cmd+A （macOS 上）。
    3. 打开效果。 Vocal Reduction and Isolation，从这个菜单进入： Effect — 在 3.2 及以后位于这个子菜单内， Special 在 2.x 里直接在菜单下。
    4. 把 Action 设为「Remove Vocals」。 同一个对话框也可以反过来把人声提出来——想听清究竟被减掉了什么，这是个好办法。
    5. 第一遍把 Strength 保持在 1.0。 调高会抵消掉更多人声，也会连带抵消掉更多其它东西。
    6. 把 Low Cut for Vocals 设在 120 Hz 左右。 低于这个频率的内容会被放过。让贝斯线活下来的，就是这一个控件。
    7. 把 High Cut for Vocals 设在 9 kHz 左右。 高于它的内容会被放过，这保住了镲片和高频的空气感。
    8. 先预览，再应用。 用这个导出： File → Export Audio.
    两个截止控件才是全部关键

    多数教程只让你在默认值上按确定。Low Cut 和 High Cut 定义的是这个效果被允许抵消的那个频带。把这个频带收窄到大致人声所在的范围 — 这就是「一条能用的伴奏」和「一堆又薄又相位古怪的残渣」之间的差别。

    处理前 — 原始立体声混音 Audacity 里显示的一条一分钟立体声轨，两个声道在整分钟内都被密集的波形填满。
    处理后 — Vocal Reduction and Isolation 的 Remove Vocals 去人声之后的同一条轨。两个声道明显更细、更轻，原先密实波形主体所在的位置只剩下孤立的尖峰立着。
    同一个文件、同一个窗口、同样的缩放、同样的幅度刻度 — 唯一的区别是应用了这个效果。 峰值包络下降约 40%。 波形没法告诉你 什么 被去掉了，只能告诉你去掉了很多；而形状是线索：持续的主体没了，孤立的瞬态却还立着。那些尖峰是鼓在被减掉其居中的持续成分之后剩下的东西。下一节讲的是，为什么那次减法里被减掉的不只有人声。

    做法二：手工版，让你看见机制

    这个效果是对四个你可以手工完成的步骤所做的便利封装。亲手做一次，局限就变得显而易见。

    1. 拆分立体声轨。 Tracks → Mix → Split Stereo Track。现在你有了两条独立的单声道轨。
    2. 把其中一条反相。 选中下面那条（右声道），然后应用 反相，从同一个菜单： Effect 。
    3. 把两条都摇到中间。 把每条轨的声像滑块拨到中间。
    4. 播放。 两个声道里完全相同的东西，现在相加为静音。
    5. 渲染。 Tracks → Mix → Mix and Render.

    没有频率上的保护，没有强度控件 — 只有减法。你听到的是这个效果的原始形态，通常比做法一更差，而这恰恰是重点。

    伴奏为什么会丢掉低频

    相位抵消去掉的是 两个声道里完全相同的一切。它不知道人声是什么。在一份常规混音里，正坐在中央的并不只有主唱：

    元素典型位置能在抵消中存活吗
    主唱中央不能 — 它就是目标
    底鼓中央不能
    贝斯中央，约 120 Hz 以下常常被有意做成单声道不能
    军鼓中央不能
    吉他、键盘、和声摇得很开能
    立体声混响尾音按定义就是宽的能 — 包括人声的那条
    混音里各部分坐在哪里，以及相位抵消能够到哪里 一张以声像位置为横轴、频率为纵轴的图。中间有一条带阴影的纵列，标出立体声场的中央，也就是相位抵消起作用的地方。两条水平虚线标出 Audacity 的 Low Cut（120 Hz）和 High Cut（9 kHz）；抵消只发生在这两条线之间。纵列内部有竖条表示主唱、军鼓、底鼓和贝斯：落在截止频带内、会被去掉的用紫色，120 Hz 以下被 Low Cut 放过的用青绿色。吉他、键盘、和声和镲片作为青绿色的竖条出现在纵列左右两侧、中央之外，得以存活。人声的立体声混响尾音从纵列向外扩散，和它们一起存活。 中央 — 抵消能够到的范围 镲片、空气感 和声 吉他、键盘 它的混响尾音 主唱 军鼓 底鼓 贝斯 High Cut ≈ 9 kHz — 以上不动 Low Cut ≈ 120 Hz — 以下不动 16 kHz 9 kHz 1 kHz 120 Hz 40 Hz 全左 中央 全右 频率 被抵消减掉 保持不动 — 不在中央，或在截止频带之外
    抵消瞄准的是一个 位置，而不是某件乐器。带阴影的纵列是立体声场的中央；两条虚线是仅有的能把它收窄的两个控件。所有紫色的东西都会被减掉。注意主唱的低端和贝斯、底鼓一起坐在 Low Cut 之下 — 正是这段重叠，使得把 Low Cut 提到 120 Hz 能保住低频，却也会留下一部分人声的中低频。做法二完全没有保护，所以整条纵列都会消失。

    所以「去掉中央」就是把节奏和低频的骨架连同人声一起去掉。贝斯在约 120 Hz 以下常被有意合成单声道 — 为了让黑胶和夜店音响上的播放保持稳定 — 这使它成为最稳定的那个牺牲品。Low Cut 守的就是它。

    问题的另一半是混响。干声被抵消了，它的立体声尾音没有。结果是一个很容易辨认的痕迹： 一层底下没有人声的、幽灵般的人声混响，飘在伴奏之上。

    什么时候它根本不起作用

    文件是单声道的

    没有可供相减的对象。Audacity 给单声道轨画一条波形通道，给立体声轨画两条 — 这是在浪费时间之前最快的检查办法。

    人声不在中央

    有些制作会把主唱稍微偏离中央摆放，或者把它双轨录音硬摆到左右两边。这时抵消会把人声基本原样留下，却悄悄把鼓删掉。

    人声上带着立体声宽度或混响

    任何使人声的左右两份产生差异的东西，都会让抵消只做一半。一层立体声混响或者一条双轨的录音就足够了，而这两者在现代主唱上都是标配 — 这正是下面那个 30 秒测试比任何参数都重要的原因。

    源文件是低码率的有损文件

    低码率下的联合立体声编码，可能把声道之间的关系改动到两边不再干净抵消的程度。请从你手上质量最高的那个文件开始。

    动手之前的 30 秒测试

    把机制本身当作诊断工具。做一遍做法二的第 1–4 步 — 拆分、反相一侧、两条都摇到中间、按播放 — 然后听：

    三十秒的试听，省掉一小时跟 Strength 较劲。

    抵消不够用时该用什么

    这个限制是结构性的，不是参数问题。相位抵消是做减法的：它只能去掉两个声道共有的东西，所以它永远无法取出一个它在几何上定位不到的人声。

    AI 音源分离的工作方式不同。 一个在大量音乐上训练过的模型学会了人声听起来是什么样，并独立地重建每一条音轨。因为它是识别而不是相减，所以它能处理单声道文件、偏离中央的人声和混响很重的混音 — 恰好是 Audacity 放弃的那些情况。代价是算力，而不是一个菜单选项。

    同一个文件过一遍分离模型 Audiofilter 显示同一个一分钟文件的三条波形：原始混音、分离出的人声，以及伴奏，每条都有自己的播放按钮，还有两条音轨的下载卡片。
    三个面板，一个文件。把最下面那条和上面 Audacity 的结果比一比：这里的伴奏保留了被抵消版本丢掉的密度，因为产生它的过程中什么都没有被减掉 — 模型是把每一部分重建出来的。中间那条人声，则是抵消永远交不出来的那一半。
    同样三条音轨，用频谱图看 原始、人声和伴奏三条音轨的频谱图，共用同一个分贝刻度。人声面板上是一排倍音梳齿，句子之间有暗的空隙；伴奏面板把那排梳齿去掉了，但保留了它的宽带瞬态和低频。
    这就是回答整个页面一直在绕的那个问题的视图： 能量到哪里去了？ 波形告诉不了你 — 人声和伴奏的包络很像。在这里人声是一排倍音梳齿，歌手换气的地方是黑色空隙；而伴奏是同一幅图，只把那排梳齿拿掉，别的什么都没动。三个面板共用一个以原始音频为基准的分贝刻度，所以一个面板暗、另一个亮，含义就是它们看起来的那个意思。
    视频静帧：Audiofilter 的分离器，已载入一条音轨并显示两条音轨波形。
    同样这三个工具的完整演示，包括上面展示的那次分离。在你按下播放之前，不会从 YouTube 加载任何东西 — 上面那一帧是本站提供的静态图片。如果播放器加载不出来，视频也在 youtube.com/watch?v=Wy8Qcp1mw8c.
    拿你刚测过的那个文件试试

    Audiofilter 的 AI 人声分离 在浏览器标签页内运行一个分离模型，交回一条独立的阿卡贝拉和一条可直接做卡拉OK的伴奏。不需要账号，也不上传任何东西 — 处理发生在你自己的机器上，所以文件从不离开它。你可以盯着网络面板自己确认。

    它接受最长 5 分钟的音轨，这是在浏览器标签页里干活带来的限制，不是付费墙。整首歌的话，请在 Audacity 里选中你需要的那一段，用 File → Export Audio只导出那一段，再拿来处理。

    常见问题

    Audacity 有 AI 人声分离吗？

    没有。Vocal Reduction and Isolation 是相位抵消：它减掉左右声道里完全相同的东西。它没有任何关于「人声是什么」的模型，所以它分不出不在中央的人声，也因此会把底鼓和贝斯一起带走。

    去掉人声之后，为什么我的伴奏听起来很薄？

    因为被摇到中央的不只有主唱。底鼓、贝斯和军鼓通常也在那里，而贝斯在约 120 Hz 以下常被刻意做成单声道。抵消中央就会把它们连同人声一起去掉。把 Low Cut for Vocals 提到 120 Hz 左右能保住低频区域，代价是留下一部分人声的中低频。

    我能在 Audacity 里从单声道文件去人声吗？

    不能。相位抵消需要两个有差异的声道。单声道文件没有可供相减的对象，所以也就不存在要去掉的「中央」。Audacity 给单声道轨显示一条波形通道，给立体声轨显示两条，这是最快的检查办法。

    Strength 该设成多少？

    从 1.0 开始，听那个取舍。数值越高抵消掉的人声越多，但中央其它一切被抵消得也越多，伴奏就会失去冲击力。数值越低鼓保得越完整，但人声还听得见。不存在只去掉人声的设置，因为这个效果分辨不出差别。

    有没有免费的、能处理混响的去人声办法？

    有，但不是靠抵消。AI 音源分离是被训练来识别人声的，所以它在单声道文件、偏离中央的人声和混响很重的混音上都能工作，而且它是重建每条音轨，不是拿一条去减另一条。Audiofilter 在浏览器里对最长 5 分钟的音轨运行分离模型，不上传任何东西。

    要整理的是一段录音而不是一首歌？

    打开降噪 → 打开文字转语音 →