免费人声分离工具终极实操：Ultimate Vocal Remover GUI 从装到出音的每一步

免费人声分离工具终极实操：Ultimate Vocal Remover GUI 从装到出音的每一步

【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

想把歌曲里的原唱抠掉做伴奏，或者只留下人声做采样？Ultimate Vocal Remover GUI（下文简称 UVR）是一款免费的开源图形界面软件，用它做人声分离，选个文件、选个模型、点一下按钮就能拿到人声和伴奏两个音轨。

🚀 三步装好并跑通第一次人声分离

第一步：装好运行环境。Windows 和 macOS 用户直接到 Releases 下载对应安装包（M1/M2 芯片选 arm64，Intel 选 x86_64），双击安装即可，包里已包含 Python 和 PyTorch。Linux 用户（Debian/Ubuntu 系）手动装：

sudo apt install ffmpeg python3-pip python3-tk pip3 install -r requirements.txt python3 UVR.py

克隆仓库可用：git clone https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui。装完如果打不开 MP3、FLAC 这类非 WAV 文件，说明 FFmpeg 没就位（它负责格式转换），按 README 的说明把二进制文件放进应用目录。

第二步：选输入、定输出。打开 UVR 后，点 Select Input 选音频（可多选，多选即批量处理），用 Select Output 指定保存目录。文件也可以直接拖进界面。

第三步：点 Start Processing。默认模型、默认参数就能出结果。处理完成后，输出目录里会得到文件名_(Vocals)和文件名_(Instrumental)两个音轨，WAV、FLAC、MP3 三种格式都可选。软件会自动记住你上次的设置，下次不用重调。

🎛 核心选项速览：干什么用、怎么设、有什么效果

处理方法与模型——决定分离质量的上限。界面里三类主流架构：

• VR Arch：最省资源，适合老机器，模型文件在 models/VR_Models/；
• MDX-Net（含 MDX23C 新一代，如 MDX23C-InstVoc HQ）：人声分离的主力，模型文件在 models/MDX_Net_Models/，模型名对照表见 model_name_mapper.json；
• Demucs：支持 4 轨分离（人声/鼓/贝斯/其他），v4 的 htdemucs_ft 是常见选择，模型目录在 models/Demucs_Models/。

Segment（分段大小）——管显存/内存占用的。数值越小占用越少、越稳；数值越大效果可能更好但更吃资源。MDX 类默认 256。如果遇到内存分配报错，把 Segment 或 Window 调小就能解决（这是官方排障建议）。

Overlap（重叠比例）——管分段拼接处的接缝质量。取值 0.25~0.99，默认 0.25；调到 0.5 以上边缘过渡更干净，代价是处理时间变长。MDX23C 模型的 Overlap 是 2~50 的整数，逻辑相同。

Stem 选择——决定导出哪些轨。勾选 Vocals Only 只出人声，Instrumental Only 只出伴奏，全勾则两轨都要。Normalization（输出归一化）建议保持开启，防止削波。

🎧 三个高频场景：照抄这套参数

场景一：做卡拉OK伴奏。处理方法选 MDX-Net，模型选 UVR-MDX-NET Inst 系列或 MDX23C-InstVoc HQ，Stem 只勾 Instrumental，Overlap 用默认 0.25。想要更干净的伴奏，可换用标记为 karaoke 的模型（模型数据里有专门标记），人声残留会明显减少。

场景二：提取干净人声采样。处理方法选 MDX-Net，模型选以 Vocals 为主轨的模型（如 MDX23C-InstVoc HQ），Stem 勾 Vocals。如果输出有底噪，打开 Denoise 选项——它用降噪模型清理 MDX-Net 引入的噪声，需要 UVR-DeNoise-Lite 模型（仓库 models/VR_Models/ 已自带）。

场景三：分离播客里的背景音乐。处理方法选 Demucs（v4 的 htdemucs_ft 即可），Stem 勾 All Stems。播客里人声占比高、编曲简单，Demucs 四轨输出里 Other 轨通常就是背景音乐，直接拿去调音量即可。批量处理整期节目时，一次多选文件全部拖入，按顺序自动跑完。

⚡ 进阶技巧：只讲真正影响结果的

GPU 加速。勾选 GPU Conversion 后处理由显卡承担，CPU 会慢得多。硬性门槛：NVIDIA 显卡，最低 RTX 1060 6GB，推荐 8GB 显存以上（README 里的官方说法）；Mac 上仅 M1 系列芯片可用 MPS 加速，且覆盖 Demucs v4 和所有 MDX-Net 模型。AMD 显卡目前支持有限。

Ensemble 模型组合。单次分离不满意时，Ensemble 模式会让多个模型分别跑一遍再按算法（Max/Min 谱、均值等）合并结果，稳定性比单模型好，代价是耗时翻倍。配置可保存到 gui_data/saved_ensembles/，下次一键调用。

其他实用开关。Time Stretch（变速）和 Change Pitch（变调）依赖 Rubber Band 库，装好才能用；TTA（测试时增强）对 VR Arch 有效，提升质量但更耗时。自定义模型参数可看 lib_v5/vr_network/modelparams/ 下的 JSON 配置文件，一般用户不需要动。

❓ 常见问题速答

Q：处理后有残留噪声或哼鸣感？A：换架构试试——MDX 系残留重就换 Demucs，反之亦然；Overlap 调到 0.5 以上；仍不干净就上 Ensemble 组合两个模型。

Q：处理速度太慢？A：先确认 GPU Conversion 已勾选且显卡达标；再确认处理的是 GPU 支持范围内的模型（Mac 上只有 VR Arch 模型走不了 GPU）。

Q：报内存分配错误（Memory allocation error）？A：把 Segment 或 Window 调小。这是官方文档给出的标准解法。

Q：支持哪些格式？能批量吗？A：WAV 可直接处理，MP3/FLAC/OGG 等依赖 FFmpeg 转换；输出支持 WAV/FLAC/MP3。输入框多选文件或直接拖文件夹即可批量，按顺序处理。

UVR 把开源分离模型的复杂流程收敛成了三步操作，你现在就可以装好它，选一首歌跑一遍——第一轨人声出来之前，别急着调任何参数。

【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