UVR｜3分钟AI人声分离，一键提取卡拉OK伴奏

UVR｜3分钟AI人声分离，一键提取卡拉OK伴奏

【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

你刚在阳台把一首歌唱完，想抠出纯伴奏来练K歌，结果全网都只有原唱版本。UVR（Ultimate Vocal Remover）用深度神经网络做AI人声提取：把一首歌丢进去，人声和伴奏会分成两个WAV输出，通常1到3分钟就能出结果。

它帮你把任意歌曲拆成人声、伴奏两轨，省掉满世界找"无原唱版"或自学音频剪辑的麻烦。关键指标是一个数字：一首5分钟的歌，GPU上处理通常只要1到3分钟，纯CPU也要5到10分钟。

3分钟装好环境，跑通第一次分离

整个过程拆成4个动作：

1. 拿代码。只需要一行命令：

git clone https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui

2. 选安装路径。Windows和macOS用户直接按README.md里说的下载预编译包，包里已经带Python、PyTorch和全部依赖，零配置；Linux用户走项目根目录的安装脚本，它会照着requirements.txt把40多个依赖逐个装好。
3. 启动。在项目根目录执行：

python3 UVR.py

macOS首次启动可能要等5到10分钟，别以为卡死了。

4. 拖文件跑通。把一个WAV文件拖进主界面，选好输出目录，点"Start Processing"等进度条走完。

首次启动后，主模型文件会在应用内从Download Center自动下载，体积几十到几百MB，第一次等待稍长是正常的。别急着调参数，第一次全用默认值；应用会自动记住你的设置（存在gui_data/saved_settings/目录），下次打开不用重新选。

方案怎么选：三个引擎各管一摊

"CHOOSE PROCESS METHOD"下拉框里有三类引擎，按你的素材对号入座：

三个引擎的模型清单都在仓库里，想确认有哪些可选：

• VR Architecture的模型登记在models/VR_Models/model_data/model_data.json，从名字能看出用途，Instrumental、Vocals、No Piano、Noise都有。
• MDX-Net的多轨模型看models/MDX_Net_Models/model_data/model_data.json，primary_stem字段写着它直接输出哪一路，Drums、Bass、Other都有。
• Demucs从v1到v4的版本对照表在models/Demucs_Models/model_data/model_name_mapper.json，v4（htdemucs）的四轨能力最全。

记住一个数字就行：首选MDX-Net。效果不满意再换VR跑一遍；只有需要拆出2轨以上（比如单拿鼓组），才轮到Demucs。另外别忽略Ensemble模式：在附加设置页可以把两个模型串成主副两轮，第二轮给第一轮的输出再打磨一次，对人声提取不满意的素材，这是第一优先要试的开关。

调参实战：按顺序做4件事

调参有固定的实验链，每一步都有能听出来或看得见的反馈：

1. 先调Segment。MDX的段长默认256，把它降到128，耗时大约减半；试听没有明显劣化就保持小值。低配机器上这是性价比最高的一刀。
2. 再调Overlap。默认8，提到16后重点听分段交界处，边缘杂音会减少，代价是耗时增加约一成到两成。
3. 然后决定是否开GPU。勾上"GPU Conversion"（需要NVIDIA卡，README.md给出的最低线是RTX 1060 6GB显存，8GB更稳），耗时通常缩到三分之一到五分之一。
4. 最后考虑二次处理。把跑出来的人声丢给内置的去噪模型UVR-DeNoise-Lite（只有18MB）再分离一遍，人声轨的嘶声会明显更干净。

还有一个不用调的点：模型内部采样率是固定的（以44100 Hz为主），应用会自动重采样，别手动先转采样率，白白多一步。

两个完整工作流

把演唱会手机录音变成纯伴奏

• 输入：4分钟演唱会录音，先转成WAV（MP3的细节已经丢了，转码救不回来）。
• 操作：① Select Input选WAV → ② 选MDX-Net，stem选Instrumental → ③ 勾GPU Conversion → ④ Start Processing。
• 输出：输出目录里出现原名_(Instrumental).wav和原名_(Vocals).wav两个文件，伴奏可直接进K歌软件；如果还有观众欢呼残留，就用去噪模型再分离一遍。

把播客街采里的背景噪音清掉

• 输入：15分钟街采录音，混着马路噪音和空调嗡鸣。
• 操作：① 选VR Architecture，stem选Noise → ④ Start Processing拿到噪音成分轨 → ③ 换内置去噪模型对原文件再分离 → ④ 检查输出目录里干净的人声轨。
• 输出：底噪明显压低的人声轨，直接进剪辑软件，省掉单独折腾降噪插件的时间。

避坑速查

README.md的Troubleshooting区加上常见报错，最高频的就这4个：

搭配什么更好用

• README.md：完整的安装细节和硬件门槛（GPU最低RTX 1060 6GB），补"装什么、要什么卡"这块短板。
• gui_data/change_log.txt：5.5到5.6的新增项，比如MDX Batch模式、Demucs Mixer模式，补"这版新在哪"的短板。
• separate.py：分离引擎本体的源码，想写批量处理脚本时可以直接参考它的调用逻辑。

跑完第一首之后

引擎对照表、4步调参链和避坑表，就是后续所有分离任务的全部参考资料，不需要记。现在打开应用，把你想练的那首歌拖进去，完成第一次人声提取。后续版本会继续加引擎和模型，同样4步操作能覆盖的素材会越来越多。

【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