免费AI音频分离用UVR把一首歌拆出 vocals 和 instrumental【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui如果你正在找一个免费的人声提取工具Ultimate Vocal Remover GUI简称UVR能直接给出可用结果。它是一款基于深度神经网络的开源AI音频分离工具导入一首歌、选一个模型、点开始就能输出人声、伴奏甚至鼓点、贝斯的独立文件。不用编程也不用付费软件。想只留人声做翻唱先看看分离出来的东西如果你用均衡器压人声、或者在剪辑软件里手动抠过轨道大概都见过那种结果人声总有影子伴奏也被削坏了。UVR的思路不同——它用训练好的神经网络模型直接从混音里听出人声和伴奏两种成分各自输出独立文件人声轨去掉伴奏的干声适合做清唱、重新配词伴奏轨干净的人声去除版可以直接当K歌伴奏部分模型还能把鼓、贝斯拆成独立文件也就是说你拿到的不是音量调整出来的近似效果而是AI模型分出来的真轨道。5分钟上手装好并分离第一首歌安装依赖环境先把项目文件拿到本地git clone https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui cd ultimatevocalremovergui再按 requirements.txt 安装依赖pip install -r requirements.txt启动并跑第一次分离一条命令启动程序python UVR.py窗口打开后按界面顺序操作选输入音频文件MP3、WAV、FLAC 都能读处理方法选 MDX-Net模型选一个现成的首次使用不用纠结确认输出目录点开始处理进度条走完输出目录里会出现人声和伴奏两个文件各带一个后缀。MDX-Net 和 Demucs 该怎么选MDX-Net人声和伴奏分离质量优先适合我就要人声更干净的场景。这套模型由 UVR 核心团队自己训练做人声/伴奏两轨分离时残留通常更少。模型和配套配置都在 MDX-Net模型目录 里每个模型还带一份参数说明选模型时可以对照看它擅长哪类分离。Demucs一次拆出多个声部Demucs v3/v4 的优势是快、而且一次能输出多条轨道人声、鼓、贝斯等伴奏各成文件适合你需要整套素材重新编曲的情况。模型文件在 Demucs模型目录。另外仓库里还有一组更轻量的 VR 架构模型配置较低的电脑可以优先试它们。一句话只要人声加伴奏两轨选 MDX-Net要一次出多轨或追求速度选 Demucs。分离完成后结果文件去哪儿找UVR 按模型对应的声部名给输出文件命名一般在原文件名后加_Instrumental、_Vocals这类后缀。几种常见情况用伴奏模型带_Instrumental后缀的就是伴奏用降噪类模型如 UVR-DeNoise-Lite输出是降噪后的整轨音频适合清理录音、播客底噪用多轨模型一次出现四五个文件每个对应一个声部找不到文件时回到处理前你设置的输出路径找不要在系统音乐库里翻。人声残留或分离瑕疵先检查这3项换模型优先。残留人声是最常见的不满来源换模型的收益通常大于调参数。模型清单维护在 model_manual_download.json 中也可以用它手动下载某个模型再试段大小和重叠率。高级设置里段越大跑得越快、占内存越多重叠率取中间值能减少段边界的衔接痕迹试多模型合声。UVR 支持 Ensemble同时跑两个模型再融合结果用时间换更干净的分离下一步做什么去哪装模型、去哪调参数三件事可以接着做在设置菜单里按架构挑几个模型下载安装全部免费装好后直接出现在下拉列表里对分离结果做后处理界面上还有 Vocal Splitter、Deverb 等工具可以叠在分离结果上继续用某个模型下载失败时走手动下载把文件放进对应模型的目录即可现在把 UVR 打开导入一首你想翻唱的歌跑一次 MDX-Net 分离——听完第一条人声轨你就知道哪类模型最适合你的曲子了。【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 免费AI音频分离：用UVR把一首歌拆出 vocals 和 instrumental
免费AI音频分离用UVR把一首歌拆出 vocals 和 instrumental【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui如果你正在找一个免费的人声提取工具Ultimate Vocal Remover GUI简称UVR能直接给出可用结果。它是一款基于深度神经网络的开源AI音频分离工具导入一首歌、选一个模型、点开始就能输出人声、伴奏甚至鼓点、贝斯的独立文件。不用编程也不用付费软件。想只留人声做翻唱先看看分离出来的东西如果你用均衡器压人声、或者在剪辑软件里手动抠过轨道大概都见过那种结果人声总有影子伴奏也被削坏了。UVR的思路不同——它用训练好的神经网络模型直接从混音里听出人声和伴奏两种成分各自输出独立文件人声轨去掉伴奏的干声适合做清唱、重新配词伴奏轨干净的人声去除版可以直接当K歌伴奏部分模型还能把鼓、贝斯拆成独立文件也就是说你拿到的不是音量调整出来的近似效果而是AI模型分出来的真轨道。5分钟上手装好并分离第一首歌安装依赖环境先把项目文件拿到本地git clone https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui cd ultimatevocalremovergui再按 requirements.txt 安装依赖pip install -r requirements.txt启动并跑第一次分离一条命令启动程序python UVR.py窗口打开后按界面顺序操作选输入音频文件MP3、WAV、FLAC 都能读处理方法选 MDX-Net模型选一个现成的首次使用不用纠结确认输出目录点开始处理进度条走完输出目录里会出现人声和伴奏两个文件各带一个后缀。MDX-Net 和 Demucs 该怎么选MDX-Net人声和伴奏分离质量优先适合我就要人声更干净的场景。这套模型由 UVR 核心团队自己训练做人声/伴奏两轨分离时残留通常更少。模型和配套配置都在 MDX-Net模型目录 里每个模型还带一份参数说明选模型时可以对照看它擅长哪类分离。Demucs一次拆出多个声部Demucs v3/v4 的优势是快、而且一次能输出多条轨道人声、鼓、贝斯等伴奏各成文件适合你需要整套素材重新编曲的情况。模型文件在 Demucs模型目录。另外仓库里还有一组更轻量的 VR 架构模型配置较低的电脑可以优先试它们。一句话只要人声加伴奏两轨选 MDX-Net要一次出多轨或追求速度选 Demucs。分离完成后结果文件去哪儿找UVR 按模型对应的声部名给输出文件命名一般在原文件名后加_Instrumental、_Vocals这类后缀。几种常见情况用伴奏模型带_Instrumental后缀的就是伴奏用降噪类模型如 UVR-DeNoise-Lite输出是降噪后的整轨音频适合清理录音、播客底噪用多轨模型一次出现四五个文件每个对应一个声部找不到文件时回到处理前你设置的输出路径找不要在系统音乐库里翻。人声残留或分离瑕疵先检查这3项换模型优先。残留人声是最常见的不满来源换模型的收益通常大于调参数。模型清单维护在 model_manual_download.json 中也可以用它手动下载某个模型再试段大小和重叠率。高级设置里段越大跑得越快、占内存越多重叠率取中间值能减少段边界的衔接痕迹试多模型合声。UVR 支持 Ensemble同时跑两个模型再融合结果用时间换更干净的分离下一步做什么去哪装模型、去哪调参数三件事可以接着做在设置菜单里按架构挑几个模型下载安装全部免费装好后直接出现在下拉列表里对分离结果做后处理界面上还有 Vocal Splitter、Deverb 等工具可以叠在分离结果上继续用某个模型下载失败时走手动下载把文件放进对应模型的目录即可现在把 UVR 打开导入一首你想翻唱的歌跑一次 MDX-Net 分离——听完第一条人声轨你就知道哪类模型最适合你的曲子了。【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考