Demucs 音频分离部署指南：5分钟跑通，一首4分钟的歌分离只要2分钟

Demucs 音频分离部署指南：5分钟跑通，一首4分钟的歌分离只要2分钟

【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs

你肯定遇到过这种糟心事：好不容易从网上找到一首歌的伴奏，下载回来却发现里面还带着隐隐的鼓点和人声底噪。别急着去找那些收费的在线工具——Meta 开源的 Demucs（Hybrid Spectrogram and Waveform Source Separation 论文的官方代码）就能自己搞定这一切，而且完全免费、离线可用。它能一键把任意一首歌拆成鼓、贝斯、人声和"其他"四个音轨，分离质量常年霸榜 SDR 9.0 dB。这篇文章会带你从零装好它、跑通第一首歌，再通过几个关键参数把处理速度提上来，让一首 4 分钟的歌曲在 GPU 上 2 分钟内出成品。

上图是 Demucs v4（Hybrid Transformer）的模型架构：一条分支处理波形、一条分支处理频谱，中间用 Transformer 做跨域融合，这也是它比传统分离模型更干净的原因。

读完这篇文章，你会获得

• 5 分钟跑通第一首分离
• 选对模型不再纠结
• 显存不够一键化解
• 批量分离自动排队
• 八成报错自己会修

5分钟先跑通：先看到成果再谈优化

我懂你，装工具最怕装完不知道有没有用。所以咱们跳过所有铺垫，直接上手。

如果你只想用、不想研究代码，一条命令就够：

pip3 install --user -U demucs

装完验证一下：

demucs --version

能打印出版本号就说明装好了。接着随便找一首歌，直接开跑：

demucs -d cpu "你的歌曲.mp3"

第一次运行会联网下载模型权重（htdemucs 是默认模型，约 80MB），之后就全是本地运行。命令跑完后，在separated/htdemucs/你的歌曲/目录下，你会看到四个文件：

• drums.wav—— 纯鼓点
• bass.wav—— 纯贝斯
• vocals.wav—— 纯人声
• other.wav—— 其他配乐

到这一步，你已经完成了第一次音频分离。CPU 处理速度大概是歌曲时长的 1.5 倍，也就是一首 4 分钟的歌约 6 分钟出结果——别嫌慢，接下来告诉你怎么提速 3 倍以上。

小提示：如果你用的 Linux 是 Ubuntu，且系统自带 Python 版本过低（低于 3.8），安装方法见官方文档 docs/linux.md，里面给了用 Miniconda 兜底的方案。

核心能力拆解：按功能模块认识 Demucs

跑通之后，咱们按"功能"而不是按"步骤"来认识它。每个模块我都回答四个问题：是什么、何时用、怎么配、配错会怎样。

模块一：选模型——速度与质量的平衡木

模型是 Demucs 的灵魂。同一首歌，用不同模型跑，速度和干净程度天差地别。官方预置了 8 个模型，用-n参数切换：

demucs --list-models # 查看全部可用模型

怎么配：GPU 用户直接用默认htdemucs就很好；CPU 用户赶时间选mdx_q；做精修后期再上htdemucs_ft。

配错的后果：htdemucs_ft在 CPU 上跑一首歌可能要十几分钟，不是质量差，是你不该选它。模型定义和加载逻辑在 demucs/pretrained.py，想看每个模型的具体说明可以翻源码。

模块二：分离模式——四轨全拆还是只抠人声

默认情况下 Demucs 把歌拆成四个音轨。但很多时候你只想要人声（做卡拉OK）或只想要伴奏（做翻唱 remix），这时候用--two-stems就能只输出两个文件：

# 只分离人声 + 伴奏（卡拉OK模式） demucs -n htdemucs --two-stems=vocals "你的歌曲.mp3"

vocals可以换成drums、bass、other任意一个音源。输出会变成vocals.wav和no_vocals.wav两个文件。

配错的后果：注意--two-stems只在输出时把其他音轨合并，它不会让你跑得更快或更省内存，因为内部仍然是完整分离后再合并的（源码里写的明明白白，见 demucs/separate.py）。

模块三：输出格式——WAV、MP3 还是 FLAC

默认输出是 16bit 的 WAV，44.1kHz 采样率，体积偏大。三个常用选项：

# 输出 320kbps 的 MP3 demucs --mp3 --mp3-bitrate 320 "你的歌曲.mp3" # 输出 FLAC demucs --flac "你的歌曲.mp3"

还有个容易踩的坑叫"爆音"。分离出的音轨偶尔会超限（clipping），Demucs 默认用rescale自动缩放整体音量来规避，代价是各音轨之间的相对音量会变。如果你更想要原始响度，加--clip-mode clamp强制硬切。相关参数都在 demucs/separate.py 的get_parser()里，随手可查。

配错的后果：--mp3依赖 lameenc 库，--flac依赖 ffmpeg，缺依赖时命令会直接报错退出——所以下一节我们先把依赖补齐。

模块四：提速与省显存——性能的核心战场

这一节是全文的精华。四个参数用好了，处理速度提升 3 倍不是口号。

1. GPU 加速：-d cuda

默认情况下 Demucs 会优先用 CUDA（见 demucs/api.py 的Separator实现）。有 N 卡就显式指定：

nvidia-smi # 先确认驱动装好 demucs -d cuda "你的歌曲.mp3"

2. 显存不足：--segment是你的救命稻草

显存不够是最常见的报错。原理很简单：Demucs 会把长音频切成一段一段处理，--segment 8就是每段 8 秒。段越短越省显存，但也可能略降质量。

PYTORCH_NO_CUDA_MEMORY_CACHING=1 demucs -d cuda --segment 8 "你的歌曲.mp3"

注意：HTDemucs 系列的 Transformer 模型训练时最大分段是 7.8 秒，--segment传超过 7 的值会直接报错拒绝运行，这是源码里写死的保护逻辑，别试图强行加大。

3. 并行处理：-j善用多核

-j 4表示同时用 4 个进程处理。多核 CPU 上提速明显，但它会把内存占用乘以同样的倍数——官方文档原话"be careful"。建议取 CPU 核心数的一半左右，别贪多。

4. 玄学提速：--shifts和--overlap

--shifts是官方论文里的"shift trick"：对输入做随机平移、多次预测再取平均，能提升约 0.2 个点的 SDR，但速度会按倍数变慢。没 GPU 别开。

--overlap控制分段预测时的重叠率，默认 0.25，赶时间可以降到 0.1。

配错的后果：-j开满 +--shifts 10一起上，你的内存会被瞬间吃光直接 OOM 崩溃，这不是 bug，是参数用法问题。

模块五：输出位置与程序化调用

想控制文件放哪，用-o；想自定义文件名格式，用--filename：

demucs -o /data/separation --filename "{track}/{stem}.{ext}" "你的歌曲.mp3"

模板里{track}是歌名、{stem}是音轨名、{ext}是扩展名。

如果你想把分离能力嵌进自己的程序，Demucs 给了两个入口。简单批量用separate.main：

import demucs.separate demucs.separate.main(["--mp3", "--two-stems", "vocals", "song.mp3"])

要更细的控制就用Separator类（官方 API 文档在 docs/api.md）：

from demucs.api import Separator separator = Separator(model="htdemucs", device="cuda", jobs=4) origin, separated = separator.separate_audio_file("song.mp3") separator.save_audio(separated["vocals"], "vocals.wav")

一个完整实战：把 4 分钟 MP3 变成伴奏 + 人声

纸上谈兵结束，现在咱们串一遍完整流程。目标：把一首 4 分钟的 MP3 分离出高质量人声和伴奏，压缩成 MP3，全程可复现。

第 1 步：补齐依赖（约 2 分钟）

sudo apt update && sudo apt install -y ffmpeg

为什么要 ffmpeg？从 torchaudio 0.12 开始，解码 MP3 必须有它，不装的话一跑 MP3 就报错。官方在 docs/linux.md 里专门强调过这一点。

第 2 步：跑分离（GPU 约 2 分钟，CPU 约 6 分钟）

demucs -d cuda --two-stems=vocals --mp3 --mp3-bitrate 320 "song.mp3"

这一条命令同时干了三件事：用默认 htdemucs 模型分离、只保留人声+伴奏、输出成 320kbps 的 MP3。

第 3 步：验收产物

ls separated/htdemucs/song/ # 预期输出：no_vocals.mp3 vocals.mp3

听到这，你已经拥有了一份可以放进播放器的纯伴奏。全程只用了 3 条命令，耗时取决于你的硬件——这就是 Demucs 的日常使用方式。

排错速查：9 种常见问题的三段式解法

进阶玩法：从脚本到服务，按你的水平对号入座

入门级：批量分离脚本

一次性处理整个文件夹的歌，写个 5 行的 shell 脚本就够了：

#!/bin/bash INPUT_DIR="input" OUTPUT_DIR="separated" mkdir -p "$OUTPUT_DIR" for file in "$INPUT_DIR"/*.mp3; do [ -e "$file" ] || continue demucs -d cuda -j 4 --segment 8 -o "$OUTPUT_DIR" "$file" done

经验之谈：内存别省着用、但也别同时堆太多任务，CPU 和显存各留三成余量，机器才不会罢工。

进阶级：用 Python API 写自己的批处理

Separator类支持传入callback回调，你可以在每个片段分离开始/结束时收到进度信息，随时中断任务。想给程序加个"断点续传"或"进度条"，看 demucs/api.py 里的 Callback 说明，里面有完整的字段定义。

高手级：部署成常驻服务

需要长期稳定跑任务的话，可以把 Demucs 挂成 systemd 服务：

[Unit] Description=Demucs Audio Separation Service After=network.target [Service] User=yourname Environment="PYTORCH_NO_CUDA_MEMORY_CACHING=1" ExecStart=/usr/local/bin/demucs -d cuda -j 4 --segment 8 /watch/*.mp3 Restart=always [Install] WantedBy=multi-user.target

保存到/etc/systemd/system/demucs.service，然后：

sudo systemctl daemon-reload sudo systemctl start demucs sudo systemctl enable demucs # 开机自启 sudo journalctl -u demucs -f # 实时看日志

科研级：训练你自己的模型

普通玩法到此为止，但如果你想让 Demucs 更懂你的音乐品类，可以自己微调。训练入口和全套配置在 docs/training.md，里面有模型动物园（Model Zoo）、数据准备和评测方法。想快速改参数，改 conf/config.yaml 或 conf/variant/finetune.yaml 就行，后者是官方给的微调模板（4 个 epoch、学习率 6e-4）。想测性能瓶颈，用 tools/bench.py 跑基准，它能告诉你每段的耗时和显存峰值。

想深度参与开发，先把仓库克隆到本地：

git clone https://gitcode.com/gh_mirrors/de/demucs cd demucs pip install -r requirements.txt

收尾：记住这几个操作就赢了

把整篇文章压成一张速查卡：

1. 安装：pip3 install --user -U demucs，缺 MP3 支持就装ffmpeg
2. 首跑：demucs -d cpu 歌曲.mp3，产物在separated/htdemucs/歌曲/
3. 提速：GPU 用-d cuda，显存紧用--segment 8
4. 抠人声：--two-stems=vocals
5. 压体积：--mp3 --mp3-bitrate 320
6. 批处理：shell 循环或Separator的 Python API

你现在缺的不是工具，是一首想分离的歌。去翻翻你的播放列表，跑起来的那一刻，你会回来感谢这 6 分钟。

【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs