MATLAB实现音乐与人声分离：频域掩码算法实战指南

简介：本资源是一套面向音频信号处理学习者与MATLAB初学者的声源分离实践方案，聚焦音乐与人声的盲分离任务，适用于智能语音系统开发、数字音乐制作及高校课程设计等场景。资源包共17个文件，包含6个核心MATLAB脚本（如repet.m、uPROJETMAG.m等，实现预处理、STFT特征提取、FastICA/NMF分离建模及后处理）、4段实测MP3音频（含流行歌曲与背景音乐片段，用于端到端验证）、2份PDF技术报告（涵盖算法原理与实验结果分析）、3个.zbak备份文件及1个说明文档，整体压缩包大小为28.96MB。已有56人学习下载，内容覆盖从数据载入、时频分析、模型构建、算法实现到性能评估（SISNR量化）的完整流程，提供可直接运行的模块化代码与典型参数配置，便于读者理解分离机制、调试关键步骤并开展二次优化。 做音乐和人声分离这件事，我最早是在毕设里接触的，当时实验室课题是《基于MATLAB的音乐与人声分离技术实现》，听起来挺唬人，其实落地之后你会发现，核心就一句话：在同一段混合音频里，把“人声”和“伴奏”两路信号各自还原出来。这个需求在K歌软件里叫“伴奏提取”，在影视后期里叫“对白分离”，在语音识别前置处理里叫“去背景音乐”。虽然叫法不同，底层逻辑高度一致。

这篇东西不是教科书式的原理复述，而是我把整个项目从零到一做完之后，把踩过的坑、调过的参数、试过没走的弯路，全部沉淀下来的实操总结。适合三类人看：一是正在做音频处理相关毕设或课程项目的学生；二是想快速在MATLAB里验证分离算法的工程师；三是对“信号怎么拆开”这件事有好奇心的音频爱好者。我会用“先搞清楚问题本质、再选方案、最后写代码调参”的顺序来展开，全程贴代码、贴参数、贴排查经验，确保你照着做能跑出结果，而不是看完只剩一堆概念。

1. 音乐与人声分离到底是个什么问题

很多人一上来就搜“MATLAB 音乐 人声 分离 代码”，拿到一个函数跑通就觉得自己会了。但真正做项目时，如果不懂问题本质，稍微换一首歌、换一段采样率不同的音频，你的算法就立刻崩溃。所以这一章先不急着写代码，而是把“分离”这件事本身拆透。

1.1 先看信号的数学模型

任意一段混合音频，其实就是一个线性叠加模型：

[ x(t) = s_{voice}(t) + s_{music}(t) ]

其中 ( x(t) ) 是麦克风收到的混合信号，( s_{voice}(t) ) 是人声信号，( s_{music}(t) ) 是伴奏信号。工程上要做的事情，就是设计一个系统，输入 ( x(t) )，输出两个估计：(\hat{s}{voice}(t)) 和 (\hat{s}{music}(t))。

听起来很简单？但问题在于：这个方程有无穷多解。因为只有 ( x(t) ) 一个已知量，却有两个人声和伴奏两个未知量。如果不加任何约束，你随便构造 ( \hat{s}{voice} = x/2 )、( \hat{s}{music} = x/2 ) 也满足方程，但这不是我们要的东西。

所以整个算法的设计本质，不是“解方程”，而是寻找可分离的约束条件——也就是找到人声和伴奏在某个特征空间里“长得不一样”的地方，然后利用这个差异把它们分开。这也是为什么这一领域叫作“盲源分离”（Blind Source Separation）中的一种特殊情形，说它“盲”，是因为我们预先不知道人声和伴奏各自的具体形态。

1.2 人声和伴奏在特征上到底差在哪

要拆分它们，先得回答一个核心问题：人声和伴奏有什么本质区别？

从时域波形上看，两者都是复杂振荡，直接看波形图几乎无法区分。但从语谱图（Spectrogram）上看，差异非常明显，我总结了三个可用的特征差异：

第一，谐波结构。人声由声带振动产生，基频通常在 80Hz 到 400Hz 之间，并且有一串谐波（基频的整数倍）。而伴奏中的乐器种类繁多，打击乐基本没有谐波结构，属于宽频冲击；弦乐虽然也有谐波，但谐波分布和衰减规律与人声差别很大。

第二，时变特性。人声在时间轴上是“成块”出现的，一句话里有语音段、有停顿；而伴奏通常是持续性的，节拍和和弦贯穿始终。这个时间包络差异可以用来做概率建模。

第三，频谱稀疏性。在短时傅里叶变换（STFT）域里，人声和伴奏的频点并不总是同时占据同一个时频单元。即使在某一时刻它们重叠，在另一个时刻可能只有人声或者只有伴奏。这就是“时频掩码”类算法能工作的基础假设。

注意：以上三点中，前两点是物理属性差异，第三点“稀疏性”是算法前提假设。如果音乐里背景人声伴唱很多，或者伴奏包含大量与人声同频段的乐器（比如大提琴、萨克斯），分离难度会急剧上升。

1.3 为什么简单的高通/低通滤波行不通

不少人第一个想法是：人声基频低，伴奏高频多，那用滤波器不就行了？实测下来，这条路基本走不通。

我拿了一段流行歌曲做测试，先做一个 200Hz 高通滤波，出来的“人声”全是闷闷的喉音，而且伴奏里的高频打击声全漏进来了。再试低通，更惨。原因是：人声的能量虽然集中在 300Hz~3.4kHz，但伴奏同样在这个频段有大量能量。比如钢琴的中音区、吉他的扫弦、鼓的箱体共振，全部集中在中频。所以人声和伴奏在频域上的重叠区间非常大，线性滤波只能做“频率分割”，不能做“源分离”。

这也解释了为什么主流方案都是“幅度掩码”或“深度网络”路线，因为它们不是在固定频率上划一刀，而是在每一个时频点上判断这个点更偏人声还是更偏伴奏——这才是真正意义上的“分离”。

2. 技术路线横向对比：该选哪条路

做任何项目，选型比写代码更花时间。当年我把能搜到的方案几乎都跑了一遍：谱减法、频域掩码、非负矩阵分解（NMF）、独立成分分析（ICA），甚至后期还试过接深度学习模型。在这里把真实对比结果分享出来，省得你在选型上浪费时间。

2.1 四种常见方案的实测对比

我把同一个 20 秒音频片段分别用四种方法处理，用 SDR（信号失真比）做客观对比，同时用耳朵听主观感受，结果如下表：

这张表是我自己跑出来的统计结果。需要说明的是，客观SDR与主观听感并不总是一致。比如 NMF 的 SDR 数字挺高，但人声偶有“机械感”；谱减法数字很低，但如果应用场景只是想“听个响”，速度优势反而更重要。所以选型之前想清楚你的核心指标到底是什么。

2.2 为什么我最终选择了频域掩码作为主路线

项目中我没有选 SDR 最高的深度学习方法，也没有选最省事的谱减法，而是把频域掩码作为主算法。原因有三点：

第一，它不需要训练数据。深度学习效果好，但需要成对的“混合-纯净人声”训练集，这种数据集在领域内很稀缺。自己做标注更是耗时巨大，而频域掩码是纯信号处理方法，无需训练。

第二，它的调优空间大。不像谱减法只调一个系数，掩码法可以调帧长、窗函数、平滑参数、下界阈值，每一个参数都会带来立竿见影的听感变化，非常适合教学和二次开发。

第三，它是连接传统与深度学习的桥梁。频域掩码的思想深度学习方法也在用，区别只是掩码由神经网络生成还是由经典规则计算。你把频域掩码吃透了，后面再切 U-Net，理解成本会低很多。

2.3 备选方案：NMF路线有什么值得借鉴

虽然主路线选了掩码法，但 NMF 里的核心思路值得拿出来单独讲，因为它在后期优化时帮了我大忙。

NMF（非负矩阵分解）的思路是：把混合信号的幅度谱矩阵 ( V ) 分解成两个非负矩阵 ( W ) 和 ( H ) 的乘积，其中 ( W ) 代表“基向量”（可以理解为音色原子），( H ) 代表“激活系数”（可以理解为这些原子随时间变化的强度）。如果你能提前用一段纯人声训练一个人声基矩阵 ( W_{voice} )，分离时固定它，只迭代更新伴奏部分，效果会非常好。

但问题也明显：NMF 的迭代对初始值敏感，分解出来的基向量维度必须人工预设，而且它容易把相似的音色混在一起。我曾试过让 NMF 分离一首有大提琴伴奏的歌，大提琴的低频谐波和人声基频非常接近，结果 NMF 把一段副歌的人声直接“拆”进了伴奏里。这是这类方法在音乐场景里的硬伤——音色越像，分离越难，而人声和某些乐器天然音色接近。

所以在项目初期不推荐直接上 NMF。建议先用掩码法跑通闭环，再研究 NMF 作为调优手段。

3. 实操落地：用STFT和频域掩码实现全流程

方案定了，接下来就是重头戏：写代码。我用的版本是 MATLAB R2021a，理论上 R2016 之后的版本都能跑通这个流程，因为核心函数stft、istft在 Signal Processing Toolbox 里都是成熟内建函数。如果你的 MATLAB 版本比较旧（早于 R2016），建议手动实现短时傅里叶变换，后面我也会给替代代码。

3.1 第一步：音频读取与预处理

读取音频用audioread就行，但有几个坑必须提前避：

% 读取音频 [x, fs] = audioread('mix.wav'); % 如果是双声道，可以先转单声道，也可以做双声道独立处理 if size(x, 2) == 2 x = mean(x, 2); % 简单平均转单声道 end % 强制归一化，防止幅值过大或过小影响后续阈值判断 x = x / max(abs(x));

这段代码里最容易被忽略的是归一化。如果你直接拿原始音频算幅度谱，不同歌曲的响度会导致同一套阈值参数表现完全不同。归一化到 [-1, 1] 区间以后，整套算法的参数才具备跨歌曲的稳定性。

另外提一句参数fs。如果你的音频是 44.1kHz 采样率，而另一个测试文件是 16kHz，处理相同频率内容时，频域分辨率会差将近三倍，一定要时刻留意。

3.2 第二步：短时傅里叶变换（STFT）的参数怎么定

STFT 是整个掩码算法的基础，它的思路是：把信号切成一段一段的短帧，对每一帧做 FFT，然后把所有帧的频谱拼在一起，形成“时间-频率”二维矩阵。参数选择直接决定分离效果。

% STFT参数设置 winLen = 1024; % 窗口长度 hop = winLen / 4; % 帧移，重叠率75% win = hann(winLen, 'periodic'); % 计算STFT S = stft(x, 'Window', win, 'OverlapLength', winLen - hop, 'FFTLength', winLen); % 提取幅度谱和相位谱 mag = abs(S); phase = angle(S);

这里三个关键参数我分别说明：

窗口长度（winLen）1024：当采样率是 44.1kHz 时，1024 点对应约 23ms 的时长。这个时长能保证频域分辨率在 43Hz 左右，足够分辨人声基频的整数倍谐波。如果你用 512 点，频率分辨率降到 86Hz，低频谐波会糊在一起；用 2048 点虽然频率分辨率更细，但时间分辨率变差，人声开头辅音的瞬态会丢失，听感上像“口齿不清”。经我反复对比，1024 是音乐与人声分离场景下的甜点值。

帧移（hop）winLen/4：也就是每帧之间重叠 75%。重叠的本质是给信号增加时间维度的冗余，因为每帧边缘的采样被窗函数衰减了，如果帧与帧不重叠，重建时这些衰减信息就永久丢失了，会引起严重的块效应。我试过 50% 重叠，效果也能接受，但 75% 重叠在高频段更稳定，代价只是计算量增加。

窗函数 hann窗：Hann窗的主瓣宽度适中，旁瓣衰减很快，适合音乐这类宽频信号。做分离任务不建议用矩形窗，旁瓣泄漏太大，会产生鬼影频点；也不推荐 Blackman 窗，旁瓣虽然更低但主瓣太宽，低频分辨率会恶化。

之前提到的旧版本 MATLAB 需要手动 STFT，核心就是加窗和做 FFT 的循环：

frameNum = floor((length(x) - winLen) / hop) + 1; S_manual = zeros(winLen/2 + 1, frameNum); for i = 1:frameNum idx = (i - 1) * hop + 1 : (i - 1) * hop + winLen; seg = x(idx) .* win; spec = fft(seg, winLen); S_manual(:, i) = spec(1:winLen/2 + 1); end

新版直接stft又快又稳，但如果项目要求你手动实现（有些课程禁止直接调高阶函数，这很常见于“信号处理课程设计”，因为老师想看你对 STFT 本身的理解），上面的循环就是模板，能跑通且结果完全一致。

3.3 第三步：构造并应用频域掩码

拿到幅度谱之后，核心就在这一步：怎么判断每个时频点是“人声主导”还是“伴奏主导”？

最朴素但有效的方法，就是基于幅度谱的平稳性。人声的幅度随时间变化剧烈，语音的对数幅度谱在时间方向有尖锐的“峰谷”，而伴奏（特别是鼓点和和弦）往往变化平滑。基于这个观察，可以做时间方向上的平滑估计，拿原始幅度谱减去平滑后的估计值，剩下的残差就是“瞬态突出”的人声部分。

完整代码如下：

% 对幅度谱做时间方向的中值滤波，得到伴奏的平滑估计 winSize = 7; % 中值滤波窗长，奇数 smoothMag = medfilt1(mag, winSize, [], 2); % 计算人声主导的残差 voiceMag = max(mag - smoothMag, 0); % 构造软掩码，alpha控制掩码软硬程度 alpha = 2; maskVoice = (voiceMag ./ (mag + eps)).^alpha; maskMusic = 1 - maskVoice; % 对幅度谱应用掩码 voiceSpec = S .* maskVoice; musicSpec = S .* maskMusic;

这段代码里有两个细节值得讲：

细节一：为什么用中值滤波而不是均值滤波。中值滤波对“突变”信号特别敏感，比如一个鼓点瞬间打击，它并不会影响中位数的位置，因此能保留瞬态；而均值滤波会把瞬态抹平，导致伴奏估计不准。用中值滤波做“背景估计”是很多语音增强算法的标准操作，效果比均值稳得多。窗长我选 7，对应约 160ms 的时间跨度，这和音节的平均时长很接近。窗太短（3）会把伴奏也当成瞬态，分离不干净；窗太长（15 以上）会把人声长音也抹平，造成人声断续。

细节二：为什么用软掩码而不是硬掩码。硬掩码是给频点赋值 0 或 1，软掩码则是给 0~1 之间的浮点值。硬掩码实现起来只需mask = abs(S) > threshold，但听感上会产生类似“水声”的音乐噪声，因为相邻频点的 0/1 跳变在重构时会产生频谱不连续。软掩码指数的 alpha 控制“决策锐度”，alpha=2 时掩码仍然偏向 0/1（因为做了平方），但过渡部分是渐变的，听感上自然很多。这个细节是我实测对比后确定的分数提升点。

3.4 第四步：用iSTFT重建时域信号

掩码处理完之后，我们已经有了人声部分的复数谱voiceSpec。注意这里保留了原始相位phase，因为掩码是实数且非负，所以掩码后的复数谱相位不变。直接做逆变换：

% 逆STFT重建 voice = istft(voiceSpec, 'Window', win, 'OverlapLength', winLen - hop, 'FFTLength', winLen); music = istft(musicSpec, 'Window', win, 'OverlapLength', winLen - hop, 'FFTLength', winLen); % 输出音频 audiowrite('voice.wav', voice / max(abs(voice)), fs); audiowrite('music.wav', music / max(abs(music)), fs);

istft是stft的逆操作，MATLAB 里这两个函数是一对。关键在于逆变换时窗函数必须和正变换完全一致。如果你正变换用了hann，逆变换也必须用同样的hann，否则重建信号会出现周期性的幅度调制噪声。

如果你手动实现了 STFT，逆变换也得手写。核心逻辑与正变换对称：

x_reconstructed = zeros(length(x), 1); winSum = zeros(length(x), 1); for i = 1:frameNum idx = (i - 1) * hop + 1 : (i - 1) * hop + winLen; segSpec = voiceSpec(:, i); segFull = [segSpec; conj(segSpec(end-1:-1:2))]; segT = real(ifft(segFull, winLen)); x_reconstructed(idx) = x_reconstructed(idx) + segT .* win; winSum(idx) = winSum(idx) + win.^2; end x_reconstructed = x_reconstructed ./ (winSum + eps);

这里有个细节：winSum累积的是窗函数的平方，因为正变换加窗、逆变换又加窗，等效增益是窗的平方，必须做对应的去窗归一化。我第一次实现时忘记这一层，输出信号有周期性“打嗝”感，排查了好几个小时才意识到是窗归一化问题。如果你直接用istft内建函数，这些底层细节被封装了，但了解这个过程对排查信号异常非常有帮助。

4. 效果评估与参数调优实验

分离做完了，怎么评价好坏？这里不能光靠耳朵，得有客观指标。同时调参不能瞎调，得有方向。这一章先把评估体系讲清楚，再给一组真实调参实验数据。

4.1 客观指标：SDR、SIR、SAR到底在测什么

目前学术界最常用的评估指标是 BSS Eval 工具箱里的三个指标。虽然 MATLAB 里没有内建，但公式不复杂，如果只是对比自己算法的相对好坏，完全可以手写简化版。

SDR（Signal to Distortion Ratio，信号失真比）：衡量分离出来的信号相对真实信号的总体偏差，既包含串扰也包含失真。数字越高越好。

[ SDR = 10\log_{10}\frac{|s_{target}|^2}{|e_{interf} + e_{noise} + e_{artif}|^2} ]

SIR（Signal to Interference Ratio，信号干扰比）：只衡量“对方源泄露进来了多少”。比如从混合信号里分离人声时，伴奏就是干扰源，SIR 越高说明残留伴奏越少。

% 简化版SIR计算（假设有纯净参考信号） function sir = calcSIR(estimate, target) e_interf = estimate - target; % 干扰+失真，简化处理 sir = 10 * log10(sum(target.^2) / (sum(e_interf.^2) + eps)); end

SAR（Signal to Artifact Ratio，信号伪影比）：衡量的是分离开来的信号里“非自然生成”的成分，比如水声、金属感、破音。SAR 低说明算法引入了太多“假声音”。

我的经验是：SDR 是综合分，但 SIR 和 SAR 往往互相制约。你为了压低伴奏残留，把掩码调硬，SIR 上去了，但强制的 0/1 决策会让 SAR 下降，听感变“假”。这个矛盾是分离算法的核心权衡，调参时必须有意识地平衡。

4.2 参数影响实测：窗口长度、中值窗长、掩码指数

我做了一组对比实验，固定一段 10 秒混合音频，单独变化一个参数，其他不变，结果如下：

从表格能看出，窗口长度和掩码指数都不是越大越好。很多人做这类项目喜欢粗暴堆参数，以为窗口越大频率分辨率越高、分离越干净，实际测试证明 1024 之后继续增大反而恶化，因为时间分辨率下降了。频域分辨率和时间分辨率在 STFT 里是跷跷板关系，窗口越大越能分辨细微频率差，但越容易模糊瞬态时间点，这对有辅音起落的人声是致命的。

4.3 调优的实操方向与心法

真正的调优顺序，我建议按照“人声完整性 → 伴奏纯净度 → 整体自然度”三层递进：

先保证人声不能断。听分离出的人声，如果出现“掉字”“吞辅音”，优先降低掩码指数 alpha，同时考虑减小中值窗长，让人声的瞬态更多保留。

再压低伴奏残余。如果人声里面还有明显的鼓点或和弦声，提高 alpha 或者把中值滤波换成更平滑的均值滤波（虽然会牺牲瞬态），还可以做两次滤波串行处理——先中值再均值，伴奏估计更平滑。

最后调整整体自然度。如果出现音乐噪声，也就是那种“流水声”或“咯咯声”，通常说明掩码在频域上跳变太剧烈，可以对掩码矩阵做二维平滑（时间和频率两个方向各做一次 3×3 的高斯平滑），效果立竿见影：

% 对掩码做二维平滑，减小频谱跳变 smoothKernel = ones(3) / 9; maskVoice2 = conv2(maskVoice, smoothKernel, 'same');

5. 常见问题与排查技巧实录

这部分原本是我项目笔记里的“坑列表”，现在整理成速查表供你直接用。每一个问题都是我真的遇到过、并且花时间排查过的。

5.1 分离结果里有明显“音乐水声”

这是最典型的问题，几乎每个做掩码法的人都会遇到。表现是分离出来的人声背景里有一层“沙沙”或“流水”一样的噪声，像收音机没调准台。

根因是掩码在时频网格上跳变过于剧烈。相邻时频单元一个被保留、一个被清零，逆变换重建时就会产生大量不自然的高频成分。解决办法从优到劣排序：

1. 用软掩码替代硬掩码，且 alpha 不要超过 3。
2. 对掩码矩阵做二维平滑（conv2或imgaussfilt）。
3. 如果水声仍然存在，降低帧移（减少重叠率）到 50%，但代价是语音连续性变差。

5.2 人声出现“掉字”或“嗓子里含着东西”

这个问题的表现是：分离出的人声里，某些音节消失，特别是“p”“t”“k”这类爆破音，或者整体听感很闷。

根因是窗口长度设太大，导致辅音瞬态被平均掉。排查办法很简单，把窗口长度从 1024 降到 512，如果掉字问题缓解，说明就是窗口问题。需要注意的是窗口长度改了以后，中值滤波窗长最好同步调整，因为时间帧数变多了，原本 7 帧对应的时间长度会缩短，可能需要增至 9 或 11。

另一个隐藏原因是归一化。如果原始音频响度太高，STFT 幅度谱里的突出频点会压过掩码的动态范围，导致局部被一刀切。归一化到 [-1, 1] 能有效规避。

5.3 分离出来的人声像“在罐子里说话”

这个听感说明频谱结构被破坏了。常见原因是逆变换时窗函数不一致，或者手动实现 iSTFT 时窗归一化没做对。

排查步骤：先拿一段纯正弦波测试整个 STFT/iSTFT 链路。用stft再istft，对比输入输出，如果波形幅度不是完全一致，说明正逆变换参数不匹配。我见过最简单的问题是把hann窗正变换用、逆变换却用了hamming，输出直接废掉，这类低级错误检查窗函数参数即可。

5.4 处理长音频时内存溢出或计算卡顿

MATLAB 处理长音频时，STFT 得到的复数矩阵会非常大。举个例子：一个 3 分钟、44.1kHz 的音频，1024 点窗口、75% 重叠，帧数大约是 3×60×44100/256 ≈ 31000 帧，每帧 513 个频率点，复数矩阵就是 513×31000 个复数，约 127MB。如果你一次性读取整首歌再处理，内存很容易告急。

解决方案有两种：一是手动分块处理，每 10 秒一段，相邻重叠 1 秒，处理后用交叉淡入淡出拼接；二是降低重叠率到 50%，帧数减半，内存减半，效果差异不大。对大文件，我推荐先降重叠率，还不够再分块。

5.5 常见问题速查表

6. 从实验代码到可用的扩展方向

如果你跑通了上面的代码，恭喜你，你已经拥有了一个完整的分离原型。但实际落地还有很多可扩展的方向，这里挑几个我认为性价比最高的讲。

6.1 从离线处理走向实时流式

原版的stft是整段处理，一次性加载全部音频。如果要实现“边输入边分离”的实时效果，比如做伴唱硬件或实时直播工具，需要改成流式 STFT 结构。MATLAB 里可以用dsp.STFT和dsp.ISTFT这两个 System Object，它们天然支持流式处理。

核心改动是：初始化时固定帧长和帧移，每来一帧就做一次 STFT，更新掩码并输出。由于实时处理不能“看到未来”的信号，中值滤波的方向要改为“因果”模式，只用当前帧和过去帧估计伴奏，代价是分离效果会略差一些。这是实时性的自然代价。

6.2 结合 NMF 做第二阶段的音色建模

掩码法分离之后，如果你觉得伴奏里还有太多“人形”残留，可以加一个 NMF 后处理。基本思路是：把分离出的伴奏再做一次 NMF 分解，观察它的基向量里是否有疑似人声谐波模式的成分，如果有就扣掉。这个方向实现复杂度适中，但对音色重叠严重的歌曲有明显改善。

需要注意的是，NMF 后处理只对“线性叠加”的混合信号有效。如果你的输入音频已经经过压缩编码（比如 MP3），非线性失真会让 NMF 的假设不成立，效果会打折扣。

6.3 升级到深度学习：不是推翻，而是替换

如果项目周期允许，最后可以做深度学习方案。目前商用效果好的方案几乎都是 U-Net 结构：输入混合信号的幅度谱，输出人声掩码。训练数据用 MUSDB 数据集，这是学术界标准的人声/伴奏分离数据集，包含 100 首完整歌曲的 STEMS 格式（四轨：人声、鼓、贝斯、其他）。在 MATLAB 里可以用 Deep Learning Toolbox 搭建网络，训练过程比较耗时，但推理部署非常方便。

深度学习给人的启发是：它实际上是在用大量数据学习“什么是人声、什么是伴奏”的先验知识，而不是依靠人为设定的中值滤波之类的固定规则。如果你理解了这一点，再回头看频域掩码算法，会发现两者的框架是一致的——区别只是表达式中的掩码从哪来。

从项目整体回顾，我这套“MATLAB 音乐与人声分离”的实现路径，本质上是一次从问题定义、算法选型、工程实现到主观调优的完整闭环。虽然频域掩码方案不是效果最好的方案，但它实现了“无训练数据、代码量小、参数可解释”这三个实际项目中最关心的要求。如果你正在做类似课题，建议先按我的流程跑通一遍，再逐步引入更复杂的改进——不要一上来就冲着深度学习去，先把信号本身的规律看懂，后面所有高级方法都会顺手很多。

最后再分享一个我踩过的坑：刚开始我把整套代码写在一个巨型脚本里，结果每次调参数都要从头跑数据读取和 STFT，效率极低。后来花了一个下午把代码改造成“预处理—分离—评估”三个函数模块，调参时间从 5 分钟缩短到 10 秒。这种工程习惯对做算法项目的人是真的受用，别嫌麻烦。

本文还有配套的精品资源，点击获取