人声分离器

解决什么问题

把一首歌拆成伴奏和人声，或反过来提取干净人声，是混音、做卡拉 OK 视频、二创剪辑里的常见需求。传统做法要么靠桌面软件 Ultimate Vocal Remover 5 手动操作，要么调用云端 API——后者意味着要把内部视频传到第三方服务器、按分钟计费，还只能在黑盒模型里二选一。

这个技能把 UVR5 的内核做成了本地可调用的命令行：跑在本机、文件不出内网、零成本、模型可换。

核心能力与工作方式

底层是 Python 包 audio-separator，所用模型与 UVR5 完全同源（MDX-Net、VR Arch、Demucs、MDXC/Roformer）。技能主体只是一个约 20KB 的 separate.py 脚本：自动创建隔离 venv、按锁版本清单安装依赖、执行分离，最后返回 JSON 结果（各分轨路径、推理设备、耗时）。

关键步骤：

1. 输入本地音频或视频文件（mp4、mkv、flac、m4a 等 ffmpeg 能解码的格式均可）；
2. 视频自动抽音轨，先重采样为 44.1kHz 立体声 WAV；
3. 神经网络做源分离，输出伴奏/人声两条 wav；
4. 视频输入可加 --mux-back，产出替换音轨后的去人声版 mp4；
5. --format 控制输出 wav/mp3/flac，--model 在伴奏、人声、去混响、去噪四类任务间切换。

四个模型均不内置，首次使用时自动下载（每个 18–67MB，走国内加速代理），永久缓存进 models/ 目录，之后完全离线。

适用边界与注意点

• 不是无损切割：分离是神经网络估算，极端混音下人声与伴奏可能有残留，换 Roformer 系模型可改善但无法 100% 干净；
• 加密/DRM 文件（Apple Music、付费网课等）与在线链接（B站、网盘分享页）不在处理范围，需先下载成普通本地文件；
• 多音轨视频只处理默认第一条音轨；模型以唱歌人声训练，会议/播客类说话声可用但稳定性略低；
• 纯 CPU 下耗时约为音频时长的三分之一（约 2.8 倍实时），超过 1 小时的大文件建议加 --chunk 600 分块处理避免 OOM；
• GPU 自动检测，但本机（i7-13700KF CPU）上 CPU 模式既稳又快，不建议为此更换 GPU 依赖包。