基础知识
什么是 AI 人声分离？AI 人声分离是一种利用机器学习模型的工具，模型在海量歌曲上训练而成，能把一首成品歌曲拆成两条分轨：主唱人声和器乐伴奏。
早期工具靠简单的音频技巧去抵消人声，只对极少数录音有效。现代人声分离工具则是真正学会了人声在混音里的样子，直接把它从整首歌里提取出来——所以几乎什么曲风都能处理，从原声民谣到编曲密集的电子乐都不在话下。
AI 人声分离的原理是什么？每首歌都可以画成一张频谱图——记录每个时刻各个频率的能量分布。人声、鼓、贝斯、吉他在图上各有各的纹理。分离模型在庞大的训练曲库中学会了这些纹理，因此能够预测出一张“人声掩码”：频谱图上准确属于歌手的那些区域。
接下来工具把这张掩码用两次——一次只保留人声，得到干声；一次把人声减掉，得到伴奏。两条音轨都是重新还原出来的完整音频，而不是对原曲做了滤波的降质副本。
分轨（Stem）成品歌曲中被单独拆出的一层——人声、鼓、贝斯，或其余部分的合并。人声分离工具输出两条分轨。
干声（Acapella）单独的人声轨：主唱加和声，不含任何乐器。制作人常用干声做混音（Remix）、串烧和采样。
伴奏（Backing Track）去掉人声后的歌曲，也叫卡拉 OK 伴奏或垫乐——鼓、贝斯和旋律全部保留。
人声掩码（Vocal Mask）模型对频谱中哪些区域属于人声的预测。应用这张掩码，就是把歌手和乐队分开的过程。