企业官网建设流程全解析

录音全是噪音、伴奏拆不开？腾讯开源AuK实测：一句大白话，就能把人声、伴奏和杂音分开

做自媒体的朋友大概都遇到过这种崩溃时刻：

在街边采访，回放时全是车流声和风声；在咖啡馆录口播，隔壁桌的聊天声比你还清楚；好不容易翻到一段珍贵的老录音，底噪像炒豆子一样噼里啪啦；想把一首歌的人声抽出来做翻唱，结果网上那些工具一处理，人声像隔着一层棉被。

过去这些活儿，得靠一整套后期软件加上老师傅的手感，一段十分钟的素材能耗掉一下午。

最近，腾讯混元和上海交大联合开源了一个叫AuK的语音模型，在网上被不少音频从业者刷屏。最有意思的地方在于：它不让你调参数、不让你看频谱，你只要用大白话说一句“把背景噪音去掉，其他都别动”，它就把活儿干了。

我把它在去噪、分人声、拆伴奏这几个场景里实打实地捋了一遍，有几个地方确实挺出乎意料。

一、它到底是个啥？一句话：一个听得懂人话的“音频后期师傅”

先别被“1.5B 参数”“基础模型”这些词吓着。

你可以把它想象成一位刚入行但什么都会一点的后期师傅：修音、去噪、分离、改口音、改情绪、改语速，他都能上手。你不需要给他一份专业参数表，只要像跟同事交代工作一样说人话——“这段太吵了，把杂音清掉”“只留第二个开口说话的人”“把人声抽出来，伴奏我不要”。

它内部其实有三套班子在配合：一个负责“听懂你在说什么”的多模态大模型，一个负责“把声音压缩成可编辑素材”的音频压缩器，还有一个负责“重新把声音画出来”的生成模型。

打个比方：大模型是导演，负责理解你的需求；压缩器是把整段音乐拆成乐高积木；生成模型再按导演的要求，把积木重新拼成一段干净的声音。

也正因为是“重新拼”，它才能做到传统降噪插件做不到的事——传统插件是“把噪音压下去”，它是“听懂哪儿是人声、哪儿是噪音，然后把人声重新补回来”。

关键是，这套东西是MIT 协议开源，代码和模型权重都能下载，商用也没被卡脖子。这在语音圈里，算是相当大方了。

二、最实用的三件事：去噪、分人、拆伴奏

AuK 官方一口气列了十几种任务，但对普通创作者来说，真正天天用得上的，其实就三件。

第一件：一句话去噪，还能“只去你想去的那个”

它最贴心的地方，是去噪可以“点菜”。

你说“只去掉背景噪声，其他都保留”，它就不会顺手把你的房间混响也抹掉；你说“只去掉房间混响”，它就绕开环境音，只处理回声；你说“噪声和混响都去掉，输出干净人声”，它才全给你清一遍。

更绝的是，它还能修“烂音质”。电话音、闷声、削波破音、网络丢包造成的断续，都可以直接点名让它修。

官方在 DNS Challenge 2020 这个业界公认的降噪测试集上，把“降噪后人声被识别错的比例”压到了2.66%，说话人相似度做到0.99（满分 1）。在更难的 CHiME-4 真实远场录音测试里，错误率也做到了7.84%。

翻译成人话：降噪之后，人声没被“洗坏”，你原来是谁，听着还是谁。

这对做访谈、做课程、做口播的人来说太重要了。很多人不敢用 AI 降噪，就是怕声音变“塑料”。而这项指标说明，它在“变干净”和“别变味”之间，平衡得不错。

第二件：几个人同时说话，也能单独拎出一个

会议录音、圆桌讨论、街头群访，最头疼的就是“好几个人抢话”。

AuK 支持两种非常人性的分离方式：

• 按开口顺序分：“只保留第二个开始说话的人，其他人全部去掉。”
• 按说话内容分：“只保留说‘这个方案我同意’的那个人。”

第二种尤其有意思。它不是靠“声音像不像”来找人，而是先听懂谁说了这句话，再把这个人从混在一起的音频里捞出来。

这意味着什么？意味着你不需要提前给每个人录一段声纹样本。你只要记得他说过哪句话，就能把他单独拎出来。

在 Libri2Mix 双人混说测试里，它的说话人相似度做到0.96，语音识别错误率9.12%——这个成绩已经和专门做分离的老牌模型打平，而它还是个“什么都会一点”的多面手。

第三件：歌曲拆人声，而且拆完还能接着改歌词

这可能是最让音乐区创作者兴奋的部分。

你给它一首完整的歌，说“只保留干净的歌声，其他全去掉”，它就把人声抽出来；说“保留所有人声，包括说话和唱歌”，它就把歌里的所有人声部分留下。

更狠的是歌词编辑：把一句歌词里的“后视镜”改成“像你”，它会保留原唱的音色、旋律和情绪，只把那一句换掉。

这一步在传统流程里意味着什么？意味着要重新进棚、重新对轨、重新混音。而现在，是一句话的事。

不过这里有个非常重要的前提：歌词编辑要求输入是纯人声的清唱素材，不能带伴奏。所以正确姿势是——先用它的分离功能把伴奏剥掉，拿到干净人声，再去做歌词改写。

这其实也顺带说明了一件事：它的分离和编辑，本来就是设计成一条流水线的。

三、指令怎么写？真的就是“说人话”

我把官方那套模板翻译成了日常说法，你可以感受一下这个交互有多“不像 AI”：

“请只去除背景噪声，保留其他内容，输出等长结果。”

“请保留所有说话人，去除噪声和混响，输出等长的纯净语音。”

“只保留第二个开始说话的人，去掉其余说话人。”

“请只保留歌声，其余声音都去掉。”

“请修复这段音频的电话感，恢复自然清晰的人声。”

看出来了吗？没有一个是参数，全是需求描述。

而且对于去噪、分离这类任务，它的输出是和输入等长的。这一点特别关键：等长意味着你把处理完的音频拖回剪辑软件，音轨位置不用重新对，口型不用重新贴，字幕不用重新校。

做过视频的人都知道，“不用重新对轨”这五个字，能省下多少命。

如果你懒得想措辞，它还带了一个“提示词增强器”：你把需求随口一说，它自动识别这是哪类任务、该配什么参数、目标要多长，然后帮你整理成一条规范指令。相当于旁边站了个懂行的助理，帮你把“我想让声音好听点”翻译成可执行的需求。

四、它怎么塞进你现有的工作流？

这才是决定一个工具能不能真正用起来的关键。AuK 在这件事上想得比较周全：

想先试试水？官方在魔搭和 Hugging Face 上都放了在线体验页面，打开浏览器就能玩，不用装环境。

想在电脑上批量干活？它自带一个网页操作界面，上传音频、填一句话、点生成，适合不写代码的创作者。

习惯用 ComfyUI 的？它有现成的节点，可以像搭积木一样，把“加载音频 → 去噪 → 分离人声 → 保存”串成一条自动化流水线。对做批量短视频、批量播客的团队来说，这个价值很大。

要接进自己的系统？它能被主流的推理服务框架直接托管，也有苹果芯片的原生加速方案，甚至有人做了轻量化版本，让它在更普通的设备上跑。

输出统一是24kHz 采样率的单声道音频，不算录音棚级别，但对短视频、播客、口播、访谈这些场景，完全够用。

五、门槛高不高？说实话，显卡这关躲不掉

这里必须说点实在话，不能只讲好听的。

AuK 本体是 1.5B，但它还要外挂一个 3B 的多模态编码器来“听懂指令”。所以它不是那种轻薄本能随便跑的模型。

官方给出的数据是：不做优化时，推理峰值显存大约在 25GB 上下；打开“把部分模块挪到内存里待命”的省显存模式后，能压到17GB 左右；后来官方又修了一版内存占用问题，峰值进一步降到了18GB 左右，省显存模式下大约 10.5GB。

翻译一下：一张 24GB 显存的消费级显卡，现在是有机会跑起来的；如果只有 8GB、12GB，那基本只能走在线体验，或者等社区进一步量化的版本。

另外还有两个坑要提前知道：

第一，它一次只能处理 30 秒以内的音频（指的是输入加输出加起来的预算）。想做整首歌、整期播客，得先自己切片，处理完再拼回去。这是目前最影响“生产力”的一条限制。

第二，它有些能力还比较“偏科”。比如改情绪这一项，官方自己的测试里，情绪编辑的成功率只有9.94%——也就是说，让它“把这段话改成开心的语气”，十次里成功不了一次。这类活儿目前还是别指望它。

反过来说，它在去噪、分离、修复、改语速音高、去口音、气声转换这些“信号处理型”任务上，表现要稳得多。这也正好对应了本文的主题：它现在更像一个靠谱的音频清洁工，而不是一个全能的声音演员。

六、说点自己的判断

我一直觉得，AI 音频工具真正的分水岭，不是“能不能生成”，而是“能不能嵌进现有的活儿里”。

生成一段以假乱真的语音，很酷，但大多数普通人一年也用不上几次。

而去噪、分人声、拆伴奏，是每周甚至每天都在发生的脏活累活。这些活儿不性感，但极其耗时间，而且极其考验经验。

AuK 的意义在于，它把这些“老师傅的手艺”，压缩成了一句人话。你不用懂什么是频谱、什么是掩蔽、什么是相位，你只需要说清楚“我要什么、我不要什么”。

当然，它现在还不完美：30 秒的长度限制、偏弱的情绪编辑、不算低的显存门槛，都说明它还是个“能用但需要点耐心”的工具。

但方向已经很清楚了——未来的音频后期，可能不再是“调参数”，而是“提需求”。

最后抛个问题给大家：

如果给你一个能听懂人话的音频助手，你最想让它先帮你解决哪件事？是清掉孩子哭闹背景里的网课录音，还是把十年前的采访带子救回来，又或者，把一首老歌里的人声单独抽出来，做成一段只属于你的回忆？

评论区聊聊，说不定你的需求，就是下一个版本要补上的功能。