Demucs 人声与分轨分离

在处理混音音频时，直接进行转录或分析往往因频段重叠而失败。传统中心通道提取法在吉他或合成器与人声同频时，会留下严重的伴奏“幽灵”残留。

核心能力

本技能集成了 Meta 开源的 demucs 项目，通过深度神经网络推断音频结构，将立体声混合音直接分割为人声、鼓声、贝斯和伴奏四个独立轨道。这种拆解方式赋予了工作流极高的可重复性，确保下游 AI 工具（如 Whisper）始终拿到格式一致且无干扰的纯净数据。

工作流集成

在自动化流水线中，它充当预处理中间件：

• 预处理触发：识别到需拆解音轨时，调用环境脚本。
• 多轨道推断：demucs 运行模型前向推断，将混合音频流分解为离散 WAV 文件输出。
• 下游对接：分离轨道直接喂给语音转录模型或音乐分类器。

适用边界与注意点

该流程涉及密集 FFT 与矩阵运算，不适合资源受限的 Serverless 函数。若追求速度，强烈建议使用 CUDA 环境，因依赖特定的自定义 CUDA 代码。软件最低要求 Python 3.8。

Windows 环境下需将 python3 替换为 python.exe，并在 Anaconda 控制台运行。仅做分离任务可参考 requirements_minimal.txt，微调模型则需完整环境。