用对模型，才能听见细节.
音乐分轨不是按频率切几刀。人声、吉他和弦乐共享频段，要从混音中恢复声部，需要识别声音的结构。我们选择专用音源分离模型作为主流程，再用可提示音频模型补充弦乐提取。
当前路线：Demucs 多轨分离 + SAM Audio 弦乐提取
通过 fal.ai 的异步任务接口运行。基础 4 轨与完整 6 轨使用 Demucs；弦乐模式独立调用 SAM Audio，输出弦乐目标与剩余声音。它们是两种分离任务，不能把输出随意相加为“无重叠七轨”。
传统方法，还是相关大模型？
| 技术方向 | 代表方案 | 适用判断 |
|---|---|---|
| 传统信号处理 | EQ、中心消除、HPSS、NMF | 适合作为辅助处理或基线。频率、声像重叠时不能可靠对应人声、Bass 与弦乐。 |
| 专用深度学习模型 | Demucs / BS-RoFormer | 主流程推荐。学习音色与时频结构，面向固定声部；结果边界取决于具体模型和权重。 |
| 可提示音频模型 | SAM Audio | 用于弦乐等定向提取。按描述输出目标与剩余声音，需要试听验证，不保证完全消除串音。 |
| 商业音乐分离 API | Music AI | 官方 Musical Stems 模块明确支持 strings、wind 等；可作为完整乐器分轨的对比候选。 |
HPSS 实际分解的是谐波与打击成分，并不等于完整的乐器识别。人声也可能同时包含这两类成分。librosa 官方说明 ↗
Demucs：固定声部，清晰边界
4 轨为 vocals、drums、bass、other。6 轨新增 guitar、piano，没有 strings 输出。官方将六轨模型标为实验模型，特别指出钢琴存在串音和伪影。因此界面保留“其他乐器”，不将它改名为弦乐。
模型说明 ↗ · fal.ai 接口 ↗SAM Audio：指定你想听的声音
通过文字描述提取目标声源。本站固定描述弓弦乐器，以减少把吉他误当作“弦乐”的歧义；结果仍需试听验证。接口支持长音频分块，单次默认 60 秒并保留 5 秒重叠，以平滑衔接。
Meta 官方介绍 ↗ · 接口参数 ↗BS-RoFormer：后续音质对比候选
基于频带拆分和 Transformer 的音乐分离架构，适合纳入人声与伴奏效果评测。它是专用音频模型，不是聊天大语言模型。具体可分哪些轨，仍要核对选用的训练权重，不能由架构名称推断。
原始研究论文 ↗Music AI：细分乐器的另一条路线
Musical Stems 模块列出 vocals、bass、drums、guitars、strings、piano、keys、wind 和 other。若弦乐是核心需求，建议用同一批音乐片段和 SAM Audio 做盲听对比，再决定是否切换主服务。
官方声部分离模块 ↗成本与效果，如何验收
fal.ai 的 SAM Audio 页面标示基础价格为每 30 秒输出音频 $0.05；额外候选另收费。若按单个输出时长计，3 分钟的一次目标提取基础估算为 $0.30，具体取整、计费口径与最终金额以 fal.ai 账单为准。Demucs 本次未取得可靠固定单价，不填猜测数字。当前价格说明 ↗
- 选取人声流行、密集摇滚、弦乐编制和电子音乐等不同片段，用相同输入比较。
- 分别听目标声部的完整度、其他声部泄漏、混响损失和处理伪影；不要只比较响度。
- 有真实独立声部时再计算 SDR / SI-SDR；同时记录处理时长、失败率和单分钟实际成本。
- 网站的 Night Drive 是原创合成多轨，用来演示播放和混音；它不是音源分离质量测试。
当前网站的实现边界
音频最长 5 分钟、最大 25 MB。原始音频和结果保存在私有文件存储中，任务状态保存在数据库中，按登录用户隔离。密钥仅留在服务端；后台持续处理并保存结果，页面按实际状态刷新，页面不显示虚构的模型处理百分比。点击每轨下载原始结果；导出伴奏时合并除人声外的全部声部，混音导出为 44.1 kHz / 16-bit WAV。WAV 容器不代表分离效果无损。
回到分轨工作室