Demucs音频分离工具部署实战：从3分钟跑通到批量流水线的完整指南

【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

如果你是个剪视频的UP主，大概率经历过这种绝望：好不容易剪完片子，发现BGM压住了人声，想扣出干净的人声轨，试了七八个"在线一键分离"网站，出来的不是闷在罐头里就是带着金属味。直到有人甩给你一个叫 Demucs 的开源音频分离工具，你才发现——原来人声分离可以这么干净，而且完全免费、离线可用。

本文不打算复制一份官方文档，而是按一条真实的上手路径来走：先让你3分钟看到第一个成果，再帮你搞懂模型怎么选、显存不够怎么破、批量任务怎么自动化，最后把最容易踩的坑一次讲完。

3分钟极速上手：先跑起来再说

别急着研究参数，先让 Demucs 转起来，看到输出文件夹里躺着四个 wav，你就有继续学下去的动力了。

第一步：装依赖

Ubuntu 系统下，Demucs 只需要三样东西：Python 3.8+、pip 和 FFmpeg。

sudo apt update && sudo apt install -y python3-pip ffmpeg

这条命令在做什么：更新软件源，然后安装 Python 的包管理器 pip 和音频解码器 FFmpeg。后者特别重要——Demucs 解析 MP3 全靠它，缺了会直接报错。项目官方也专门在 docs/linux.md 里强调了这一点。

第二步：装 Demucs

pip3 install --user -U demucs

这条命令在做什么：把 Demucs 安装到当前用户的本地目录，-U表示升级到最新版。之后每次调用，把demucs写成python3 -m demucs更保险，因为你还没配置用户级 PATH。

验证一下装好了没：

python3 -m demucs --list-models

能看到一串模型清单，说明安装成功。顺便记住这个命令——它会列出全部可用模型，后面选型要用。

第三步：分离人生第一首歌

拿一首歌试手：

python3 -m demucs -d cpu 你的歌曲.mp3

这条命令在做什么：用 CPU 跑默认模型htdemucs，把歌曲分离成鼓、贝斯、人声、其他四轨。

等进度条走完，去separated/htdemucs/你的歌曲/目录里看，四个文件已经躺好了：drums.wav、bass.wav、other.wav、vocals.wav。点开vocals.wav——干净的人声轨到手，BGM 全部留在other.wav里。

关于速度：项目在 README.md 里明确写了，CPU 处理时间大约等于歌曲时长的 1.5 倍。一首 4 分钟的歌唱，CPU 大概要跑 6 分钟，耐心等即可。

选择篇：这些选项到底怎么挑

跑通了，恭喜。现在你面临第一个真正的选择：用哪种安装方式、用哪个模型。这一步不是敲命令的问题，而是"按场景选配置"的问题。

安装方式：快速安装还是开发环境

如果你想二次开发，才需要克隆仓库并安装完整依赖：

git clone https://gitcode.com/gh_mirrors/de/demucs cd demucs pip3 install -r requirements.txt

这几条命令在做什么：把项目源码拉下来，进入目录，安装训练和推理所需的全部 Python 包。注意，这个仓库就是 Demucs 的完整源码，模型定义、配置文件、文档全在这里。

模型怎么选：一张表说清楚

用-n参数切换模型，默认是htdemucs。各模型定位如下：

模型详情见 demucs/pretrained.py 的模型清单和 README.md 的说明。一句话选型口诀：没把握就htdemucs，要质量上htdemucs_ft，要速度上mdx_q。

只想要人声？加一个参数

很多人根本不需要四轨，只要人声和伴奏两轨（K 歌模式）：

python3 -m demucs --two-stems=vocals 你的歌曲.mp3

这条命令在做什么：分离后只输出vocals.wav和no_vocals.wav两轨，省去找文件的时间。vocals可以换成drums或bass，按需取轨。

权衡篇：速度、质量与显存的三方博弈

Demucs v4 的核心是 Hybrid Transformer 架构，横跨时域和频域两个分支做分离。下面这张图展示了它"双 U-Net + 跨域 Transformer"的完整结构：

理解架构不是让你调参，而是让你明白为什么显存会成为瓶颈——模型太大，一次要吞下整段音频的特征。显存不够时，官方建议用--segment参数把音频切成小段再处理，就像房间太小放不下大行李，那就把行李拆成几箱搬。

显存不足怎么破

先记住一个硬性数字：GPU 上跑 Demucs 至少需要 3GB 显存，默认参数下约需 7GB。这是 README.md 里明确写的。

如果你只有 4GB 甚至 2GB 显存，按下面优先级逐级尝试：

# 显存不足时用这条：把音频切成 8 秒一段处理 python3 -m demucs -d cuda --segment 8 你的歌曲.mp3

# 2GB 显存时用这条：关闭显存缓存，官方实测分离 4 分钟歌曲只用 1.5GB PYTORCH_NO_CUDA_MEMORY_CACHING=1 python3 -m demucs -d cuda --segment 4 你的歌曲.mp3

两条命令在做什么：前者强制模型按小段预测再拼接，大幅降低峰值显存；后者额外关闭 PyTorch 的显存缓存，进一步压缩占用，代价是速度变慢。

重要限制：Hybrid Transformer 系列模型（如htdemucs）的 segment 最长只能设 7.8 秒，设大了直接报错。官方在 demucs/separate.py 里做了硬性校验。

调优前后对比

以一首 4 分钟歌曲、4GB 显存的老显卡为例：

顺便一提，-j参数可以多核并行加速（如demucs -j 4），但内存会按倍数上涨，官方在 README.md 里专门提醒过。所以它更适合 CPU 场景，GPU 场景别乱加。

规模化篇：把一次性任务变成流水线

单曲分离会了，但你要是帮朋友处理一整张专辑、或者给一个视频合集配音，就该写批量脚本了。

批量处理脚本

#!/bin/bash # 用途：把 input 目录下所有 mp3 批量分离，输出到 separated 目录 mkdir -p separated for file in input/*.mp3; do python3 -m demucs -d cuda --segment 8 -o separated "$file" done echo "全部完成，结果在 separated 目录"

每句在做什么：先建输出目录，然后循环读取input/下的每个 mp3，逐个分离并指定输出目录。--segment 8是显存保险，批量任务宁可慢一点也别半路 OOM。

输出格式省空间

默认输出是 44.1kHz 的 wav，一首歌四个文件动辄几百 MB。追求存储空间就用压缩格式：

# 输出 MP3，码率默认 320kbps，画质音质都有保障 python3 -m demucs --mp3 你的歌曲.mp3

# 想要无损又小，用 FLAC python3 -m demucs --flac 你的歌曲.mp3

避坑速查：血泪教训 Q&A

这些坑我基本都踩过，整理成速查表，一次讲完。

几个补充提醒：

--no-split慎用。它会整段喂给模型，省了拼接开销但显存暴涨，属于"我就要整段精度"的赌命操作。

--shifts别乱开。它用随机平移做多次预测求平均，质量小幅提升但耗时成倍增加，没 GPU 就别碰。

音频太长不等于失败。默认split是开的，长音频会自动分段处理，不用手动干预。

收尾：下一步怎么走

你现在已经跑通了 Demucs 的完整链路：极速上手、模型选型、显存调优、批量流水线、避坑排错。整理一下可以带走的四样东西：

1. 一条起步命令：python3 -m demucs 你的歌曲.mp3
2. 一张选型表：默认htdemucs，要质量htdemucs_ft，要速度mdx_q
3. 一个显存口诀：3GB 用--segment 8，2GB 加环境变量
4. 一个批量模板：上面那份 for 循环脚本，改改目录就能用

如果你还想往深走，官方给了三条进阶路径：

• 自定义模型：项目里 conf/variant/finetune.yaml 是微调配置样例，改改学习率、batch size 就能开始训练自己的模型；
• 做性能压测：仓库自带的 tools/bench.py 可以帮你测显存峰值和耗时，适合想摸清自己硬件极限的人；
• 了解训练体系：完整训练流程和模型动物园见 docs/training.md。

建议你现在就打开终端，拿一首你最喜欢的歌跑一遍。第一次看到干净人声轨跳出来的瞬间，你就理解为什么有人会为这个工具写这么长的教程了。

【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