Demucs：把一首混音拆成人声、鼓、贝斯和其他伴奏
为什么值得关注
把只有成品混音的音乐变成可分别听取和处理的声源估计，帮助练习者听清目标部分，也让剪辑者判断可用的素材范围。
适合谁：练歌、学习鼓和贝斯声部、准备重混素材且愿意使用本地工具的音乐爱好者
这次有哪些亮点
- 默认四轨分别导出人声、鼓、贝斯和其他
- 波形与频谱两路共同参与分离
- 六轨加入吉他与钢琴，但官方提示钢琴渗漏和伪影明显
使用前需要知道
输出是估计分离轨，可能渗漏和失真；代码 MIT，但作者明确表示权重许可不清，不能据代码许可承诺商业使用；维护节奏有限。
想听清一首歌里的贝斯走向，或者把人声拿开练唱，手里却只有一份混音文件，Demucs 可以作为一个起点。它把输入音乐估计为人声、鼓、贝斯和其他四部分，分别输出音频。对练习者，价值不只是“去掉人声”，还包括把原来被其他声部盖住的部分单独听出来。
这里的“分轨”有一个重要含义：得到的是模型从成品混音中估计的声源，不是唱片工程里原来录制的独立音轨。后者保留了录音制作的原始材料，前者需要在已经重叠的声音里作判断。理解这一点，才能给分离结果安排合适的用途。
四个文件怎样进入练习流程
官方说明的默认四轨模型是 htdemucs。输入一首音乐后，结果保存在按模型和曲名组织的目录里，得到 vocals.wav、drums.wav、bass.wav、other.wav，是 44.1 kHz 的立体声音频。其他轨包含未归入前三类的伴奏，并不是某一种固定乐器。
以练贝斯为教学情境，先听 bass 轨确认音符与节奏，再回到原混音核对它和鼓的关系；练唱的人则可能只需要人声与剩余伴奏。Demucs 提供两轨模式，但官方说明它仍然先完整分离，再合并需要的部分，因此少导出几个文件不等于推理就更快或更省内存。
这些文件适合继续导入音频编辑软件做静音、循环或音量调整。重混时还要留意官方提醒：为避免削波，程序可能分别缩放输出轨，导致轨与轨之间的相对音量发生变化。把四轨简单叠回去，不宜直接假定就是原混音的电平关系。
架构图里的两个入口值得看什么
官方架构示意，从下往上读。右下是音频波形，左下经过 STFT 变成频谱，两路在中间的 Cross-Domain Transformer 交流，顶部得到分离声源。这是方法图，不是某首中文歌的分离结果。查看原尺寸。
波形展示声音怎样随时间变化，频谱则把不同频率随时间的分布展开。v4 的 Hybrid Transformer Demucs 同时利用这两种表示，而不是只按一个频段把音乐切开。因此，人声、鼓与贝斯虽然可能同时发声，模型仍尝试结合声音结构估计各自的部分。
这也解释了它为什么不等于普通均衡器。调低某段频率会连带影响处于该频段的多种声音；源分离要判断的是声音属于哪一类声源。不过，架构图只能帮助理解方法，不能证明任何一首歌都能被干净拆开。
四轨够用时，不必先选六轨
仓库另外提供 htdemucs_6s，在四类之外加入 guitar 和 piano。想单独练吉他的人可能会感兴趣，但作者将六轨称为实验模型，并明确提醒钢琴轨有较多渗漏与伪影。所谓渗漏，就是目标轨里混进其他声源；伪影则是分离过程中出现不自然的声音。
因此，想得到伴奏先看四轨；确实需要吉他或钢琴，再比较六轨是否保留了所需细节。分出更多文件不自动等于每个文件都更可靠。另一个 htdemucs_ft 是微调版本，官方称可能略好，但耗时约为普通版本的四倍；这是发布方的模型取舍说明，不是本文测得的收益。
下载前还要看维护和许可
原 Meta 仓库已说明停止维护，并指向作者的 adefossez/demucs。作者分支提供当前使用说明，但作者也说暂不积极开发新功能。读者可从其 README 进入命令行用法，当前要求至少 Python 3.10；CPU 可运行，GPU 的速度和内存条件另有说明，FFmpeg 用于部分音频格式与 FLAC 输出。
最影响采用判断的限制在许可段：代码是 MIT，权重许可却没有被作者明确澄清，其中还涉及训练数据的研究用途条件，六轨也有额外的不确定性。音乐本身的使用权又是另一层条件。它适合先用于理解与评估源分离流程，不能因为代码开源就替商业重混、模型再分发或原曲使用作出许可保证。
参考资料
以上为编辑整理，功能、许可与使用条件以官方说明为准。