企业官网建设流程全解析

用 UVR5 把播客人声从背景噪音里捞出来：一份 AI 音频分离实操指南

【免费下载链接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data <= 10 mins!项目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI

上次录远程访谈，对方那边的空调噪音一路录了进来，后期怎么处理都留着"嗞"声，几个降噪插件都试了，最后只能忍痛弃掉那条素材。Retrieval-based-Voice-Conversion-WebUI 内置了 UVR5 AI音频分离 模块，它做的人声提取靠的是深度学习模型，把声音从混音里拆出来，普通电脑就能跑。

🎙️ UVR5 能做什么：人声提取、伴奏分离与去混响

说白了，UVR5（Ultimate Vocal Remover v5）就是一个纯粹的音频分离工具：不需要专业音频工作站，不用学频谱编辑，把文件丢进去，模型自动把人声和伴奏分别输出。它的核心逻辑在 infer/modules/uvr5/，入口是 WebUI 里的"音频预处理-UVR5 批量处理"页签，能力可以概括为三点：

• 人声提取：HP2/HP3 模型把主唱从混音里拆出来，非人声部分自动归到伴奏轨
• 伴奏分离：同一轮处理会同时输出 instrumental 轨，剪辑时两轨音量可以各自调
• 去混响与去延迟：MDX-Net 去混响模型处理双通道房间混响，DeEcho 系列针对延迟、回声，还可以串联使用

这套模型按"用途"而不是按算法来分，模型名即用途：带 Vocals 字样的保留人声，dereverb 负责去混响，下拉框里的选项和权重文件名一一对应，不用死记硬背。另外它支持整文件夹批量处理，遇到非 44.1kHz 的音频会自动转格式，缺的权重文件会自动补到 assets/uvr5_weights/，开箱即用。

🚀 跑起来：4 行命令装好并启动 WebUI

硬件方面建议有一张显存 4GB 以上的 NVIDIA 显卡，AMD 显卡装对应的 requirements 文件即可，集显或纯 CPU 模式也能推理，只是慢一些。

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI pip install -r requirements.txt bash run.sh

Windows 用户把最后一行换成双击 go-web.bat 就行。启动后浏览器会自动打开 WebUI；首次运行若提示缺模型，等它下载完成，或参照 docs/cn/faq.md 把权重手动放进 assets/uvr5_weights/，之后每次启动就没有下载环节了。

人声提取参数怎么选：从输入文件夹到结果检查

先准备素材：把要处理的音频整理到一个文件夹，MP3、WAV、FLAC 都能读，后续要拿去训练的话建议保留无损 WAV。程序遇到非 44.1kHz 立体声的文件会自动调用 FFmpeg 转格式，不用提前手动规整。

进 WebUI 的"音频预处理-UVR5 批量处理"页签，填输入文件夹和两个输出文件夹（人声 / 伴奏），选模型，点开始。下面是参数参照表，实际跑下来这套值的第一次结果就比较稳：

聚合度没把握就先保持 12，分离不彻底（人声轨还夹带背景音乐）再每次加 2，试 14、16；不建议一步拉到 20，值越高，人声里越容易出现"爆米花"式的颗粒瑕疵。跑完后进度区会逐个文件打印结果，听分离出来的人声时重点盯两处：语句间的静音段（底噪干不干净）和音节转换处（高频细节有没有掉）。感觉还有混响残留，可以再叠一轮去混响模型——MDX-Net 去混响接 DeEcho-Aggressive 是公认最干净的组合，代价是耗时约翻倍。

干净人声怎么喂给 RVC：从分离到合成

RVC 训练链路里的坑在于素材：带着噪音的人声直接进训练，合成出来的声音会连噪音一起学走。所以进阶路径其实就一条：UVR5 拆出干净人声 → 对它跑预处理和 F0 提取 → 训练声库模型 → 在 WebUI 里完成音高转换与合成。

习惯 CLI 的话，同一个函数可以直接在 Python 里调，签名依次是模型名、输入目录、人声输出目录、文件列表、伴奏输出目录、聚合度、输出格式：

from infer.modules.uvr5.modules import uvr for r in uvr("HP2-人声vocals+非人声instrumentals", "inputs", "vocals", [], "instruments", 12, "wav"): print(r)

vocals/ 目录跑满之后，后续环节项目里也都现成，训练脚本在 infer/modules/train/，音频切片、特征与 F0 提取、训练三步走完后就能在 WebUI 里直接用模型做转换。分离只是第一个环节，但缺了它，后面每一步都要为混着噪音的素材买单。

做播客的远程访谈也好，课程里想单独调 BGM 音量也好，UVR5 就解决一件事：把人声和背景干净地拆开。照着上面的流程，把第一次分离跑通吧。

【免费下载链接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data <= 10 mins!项目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI