關於這些東西實際怎麼運作的長文 — 機制、失效方式，以及背後的測量資料。寫它們的原因是：我們想讀的那些解釋並不存在。
| 文章 | 講了什麼 |
|---|---|
| 用任何歌曲製作卡拉OK伴奏 |
無需上傳，即可在瀏覽器中把任何歌曲變成卡拉OK伴奏。步驟、結果聽起來如何，以及如何提前判斷你的歌曲能否乾淨分離。 |
| 一個瀏覽器標籤頁裡的三個音訊工具 |
一段把三個工具走完一遍的影片，每個在能開始之前要下載什麼 — 52 MB、16 MB 和 64 MB — 以及一套四步的網路面板核查法，用來把「你的檔案到底有沒有被上傳」這件事定下來。 |
| Cloudflare Pages 上的 130 MB WASM 模型 |
跨源隔離、單檔案 25 MiB 的牆，以及一個在你問它壓縮情況時會給出與事實相反答案的託管平臺。把一個用 pthreads 構建的 WASM 模型送上靜態託管過程中踩到的四個坑，其中三個不產生任何可用的報錯資訊。 |
| 怎麼在 Audacity 裡去人聲 |
兩種做法、伴奏為什麼回來時是空的，以及一個 30 秒的測試用來判斷你的檔案到底能不能用。附一個測量值：峰值包絡下降約 40 %，而其中只有一部分是人聲。 |
| 老實的對比：LALAL.AI、Moises、vocalremover.org |
它們各自在哪裡勝過我們，直說：按分鐘計費換來更多音軌型別，帳號換來一個同步的曲庫，伺服器換來完整長度的檔案。一個頁面後面是三篇獨立的文章，每篇都寫了「該用對方那個工具」的理由。 |
什麼東西最後會出現在這裡
不是工具盤點，也不是發版說明。正面對比確實會出現，但只出現那種會點明對方哪裡做得更好的。持續產出素材的主題有兩個： 訊號處理 — 相位抵消能觸及和不能觸及的東西、分離痕跡為什麼落在它們落的位置 — 以及 交付問題 ，也就是讓一個機器學習模型在瀏覽器標籤頁裡跑起來這件事本身。
兩者都用同一種寫法：先說清機制，再去測量它。凡是出現數字的地方，都是在真實產物上量出來的，不是估的。
常見問題
我可以複用這些圖示嗎？
可以，請註明出處並連結回它們所屬的文章。這些圖是用內聯 SVG 畫的，不是匯出的圖片，所以在任何尺寸下都清楚，圖裡的標籤也仍然是可選中的文字。
這些工具會出現在文章裡嗎？
只在它們是所問問題的老實答案時出現，其餘情況不出現。Audacity 那篇文章的大部分篇幅都花在 Audacity 上，因為那才是它要講的東西。