Introduction

| 工具名称 | 离线/云端 | 分离准确度 | CPU 运行效率 | 批处理能力 | 操作难度 | 综合评分 | | ———————– | ——— | ——— | ———— | ——— | ——– | ——– | | UVR5 (推荐) | 完全离线 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ✅ 原生支持 | 适中 | 9.5 | | SpleeterGUI | 完全离线 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ✅ 支持 | 极简 | 7.5 | | Audio-Separator | 命令行 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ✅ 极强 | 较高 | 8.5 | | Audacity + OpenVINO | 完全离线 | ⭐⭐⭐⭐ | ⭐⭐⭐ | ❌ 较弱 | 适中 | 7.0 | | VocalRemover.org | 云端 | ⭐⭐⭐⭐ | N/A (云端) | ❌ 需逐个上传 | 极简 | 6.0 |

demucs，windows下测试失败

使用开源神经网络模型 Demucs, 把一首原版人声歌曲分离成两个独立的 MP3 文件：

• 🎤 *人声（vocals）
• 🎶 背景音乐（accompaniment / instrumental） 分离后的音轨会输出：

  separated/
  ├── vocals.mp3
  └── accompaniment.mp3
  

  先安装必要库： ``` pip install demucs pip install torchcodec

optional: pip install demucs[extra] pydub torch pip install soundfile

- `torch` 是 Demucs 的依赖（自动挑 CPU 或 GPU 版本）    
- `pydub` 用于把 wav 转 mp3    
- Windows 需要安装 **ffmpeg** 且加入系统 PATH
查看版本

pip show demucs

使用

demucs song.mp3

如果需要更干净的伴奏，可以尝试模型 htdemucs_ft(微调版本)

pip install demucs-infer[mp3]

然后替换

from demucs_infer.pretrained import get_model from demucs_infer.apply import apply_model

# Speeter，测试失败

pip install spleeter

安装gpu版本（可选）
如果你有nvidia gpu并且安装了cuda

pip install spleeter-gpu

检查

spleeter -help

# audio-separator
install

pip install “audio-separator[gpu]” # 如果有 NVIDIA 显卡

或者

pip install audio-separator # 仅限 CPU

或

1. 创建并进入虚拟环境（推荐，防止污染全局环境）

python -m venv uvr_cpu_env

Windows 激活环境:

uvr_cpu_env\Scripts\activate

Mac/Linux 激活环境:

source uvr_cpu_env/bin/activate

2. 安装 audio-separator 基础版

pip install audio-separator

3. 安装 CPU 推理引擎 (ONNX Runtime)

这是 UVR5 运行 MDX-Net 模型必须的“引擎”

pip install onnxruntime

**用法示例**：

audio-separator input.wav –model_filename MDX_UVR_VOC_FT.onnx –output_dir ./output

分离人声和背景音乐

audio-separator input.wav –model_filename UVR-MDX-NET-Voc_FT.onnx

audio-separator “我的歌.mp3”
–model_filename UVR-MDX-NET-Voc_FT.onnx
–output_dir “./result”
–output_format WAV
–denoise True ``` 执行逻辑：

1. 程序会自动从云端下载指定的模型文件（只需下载一次）。
2. 在 CPU 上进行推理（速度取决于你的 CPU 核心数和主频）。
3. 默认会在当前目录下生成两个文件：Instrumental.wav 和 Vocals.wav。 为了达到和 UVR5 软件里一样的效果，你可以调整以下参数：

| 参数 | 说明 | 建议值 | | —————— | —————- | ——————————– | | --model_filename | 指定模型（UVR5 核心模型名） | UVR-MDX-NET-Voc_FT.onnx (效果最好) | | --output_dir | 指定输出文件夹 | ./output | | --output_format | 输出格式 | wav, mp3, flac | | --denoise | 是否开启去噪 | True | 在 CPU 上运行时，模型的大小决定了处理速度。以下是 UVR5 中最受欢迎且 audio-separator 支持的模型：

• MDX-Net 架构 (首选):
  • UVR-MDX-NET-Voc_FT.onnx (目前公认的人声提取最强模型)
  • UVR-MDX-NET-Inst_HQ_4.onnx (侧重提取高质量伴奏)
• VR Architecture (较快):
  • UVR-BVE-4_B_2.onnx (适合配置较低的 CPU)

    常见问题排查 (CPU 专用)

• 速度太慢？ CPU 处理 5 分钟的音频通常需要 3-8 分钟，这取决于你的 CPU 性能。如果想提速，可以尝试减小 window_size 参数（默认为 512，设为 320 会快一些但质量会下降）。
• 内存报错？ 如果音频文件非常大（如 1 小时），CPU 内存可能会溢出。建议先将长音频切分成 10 分钟一段再处理。
• 模型下载失败？ 由于模型文件在 GitHub 或 HuggingFace 上，如果下载不动，建议开启网络代理或手动下载模型文件放入程序的 models 文件夹。 相比 CPU 版本，GPU 版本（基于 NVIDIA CUDA）的处理速度通常有 10 倍到 50 倍的质变提升。 在 UVR5 或 audio-separator 中，音频处理属于典型的“计算密集型”任务，显卡并行计算的优势非常明显。 以处理一段 5 分钟的标准采样率歌曲为例（使用 MDX-Net 架构模型）：