它是什么
音轨分离拿到一份完成的立体声混音，估计出构成它的各个声源：通常是人声、鼓、贝斯和其余的一切。你放进去一个文件，拿回几个文件，每个文件都是它对录音中某一部分的最佳猜测。
“估计”这个词在这句话里很关键。混音做好的时候，各条独立的音轨被叠加成了两个声道，而叠加是一种有损、不可逆的操作：只给你叠加的结果，能产生它的组合有无穷多种。分离器并不会撤销叠加。它利用自己学到的、关于各种乐器长什么样、如何表现的知识，给出最可信的分解，而可信并不等于原样。
这个区别，就是分离能做到的和人们希望它做到的之间全部的差距。它非常好，但它不是多轨工程。
大致是怎么工作的
大多数现代分离器处理的是一种时频表示：频谱图，它显示每个时刻、每个频率上有多少能量。一个神经网络在成千上万首歌曲上训练过，这些歌曲既有混音，也有真实的分轨；它学会预测每个点上的能量中，有多少属于每个声源。
然后它把这个预测当作一种掩码来使用，保留混音中它判断属于某个声源的部分，压低其余部分，再转换回音频。较新的模型部分或完全直接在波形上工作，这有助于处理频谱图方法必须重建的相位信息。
它学到的，本质上是一种非常细致的感觉：军鼓不是单独出现时是什么样子，人声在一个乐句中如何变化，低频能量如何分布。这个过程中没有任何一步是在找回某个仍然存在于某处的文件。根本没有那样的文件。
分成 2、4、5 还是 6 个分轨？
分轨越多并不越好，这是人们使用这类工具时最常犯的一个错误。
- 2 个分轨：人声和伴奏。这是能得到的最干净的结果，因为模型在频谱图的每个点上只需要做一个决定。如果你想要伴奏或纯人声（acapella），就只要这种分离，别的都不要：我们免费的在线去人声做的正是这种分离，所以你可以在做任何决定之前，先在自己的曲目上听听效果。
- 4 个分轨：人声、鼓、贝斯、其他。这是标准的分法，如果你要重建一个混音，用它就对了。“其他”是一个真正的大杂烩：吉他、键盘、弦乐，以及模型没有被要求识别的一切。
- 5 个分轨：增加钢琴。曲目里有突出的钢琴声部时很有用；没有的时候反而更糟，因为负责钢琴的输出仍然得从某个地方拿素材，它总会找到点什么来当作钢琴。
- 6 个分轨：增加吉他，条件和钢琴一样：曲目里有你需要单独拿出来的吉他声部时值得用；没有的时候，负责吉他的输出也会找到点什么来当作吉他。
每多一个输出，就多一次素材被分到错误位置的机会。能回答你的问题就够了，分轨要得越少越好。
它在哪里吃力，以及为什么
- 混响尾音。一条浸满混响的人声，在声学上一部分是人声，一部分是房间。模型必须决定尾音属不属于人声分轨，而这没有正确答案：混响已经固化在人声上了，所以两种答案都说得通，也都不是你想象中的样子。
- 重度的总线压缩。如果整个混音是用一个跨在全曲上的压缩器“粘”在一起的，每个声源都会调制其他每个声源的电平。各个声源不再相互独立，而一个假设它们相互独立的分离器，就会继承这种纠缠。
- 密集的中低频。贝斯、底鼓、钢琴的低音区和吉他的底部，都挤在同一个频段里。这恰恰是人类混音师最需要费力的区域，原因也一样。
- 叠录和大幅度的声像。一条叠录后分别硬声像到左右两边的人声，是两次演唱，模型却可能把它当作处在一个奇怪立体声位置上的单一声源。
- 任何不寻常的东西。分离器是在它见过的音乐分布上训练出来的。在这个分布中少见的乐器，西塔琴、不常见的合成器、录得很差的未经训练的嗓音，得到的估计会更差，因为模型不太清楚自己看到的是什么。
处理痕迹一旦出现，是认得出来的：高频里一种带水声、类似移相的质感；掩码在帧与帧之间突然变化处出现的短暂咕噜声；还有串音，也就是一个声源淡淡的影子，萦绕在另一个声源的分轨里。
如何评判一个分离器
不要拿一首容易分离的歌来测试。编曲简单、人声清晰的稀疏录音，会让每个工具看起来都很出色，这正是演示总用它们的原因。
拿困难的情况来测试，并且听具体的东西：
- 单独听每个分轨，找不该出现的东西。串音是最常见的失败，单独听时也最容易听出来。
- 把分轨重新叠加起来，和原曲对比。它们加起来应该非常接近你最初的文件。如果有素材消失了，说明工具把它无法归类的东西丢掉了。
- 检查返回文件的采样率。有些工具不管你给的是什么，内部都以 44.1 kHz 进行分离，然后再上采样。结果是频带受限的，在音频频谱分析仪上一眼就能看出来，在房间里听却很微妙：内容戛然而止的一道陡峭“台阶”就是破绽。
- 听人声的辅音和镲片。高频瞬态是掩码带来的处理痕迹最先出现的地方。
人们实际用它来做什么
- 伴奏和纯人声，用于现场表演、卡拉 OK 或练习。
- Remix 和采样，这时一段可用的鼓或人声，比完美的保真度更重要。
- 挽救一个混音，在工程已经丢失、只剩下导出的混音时。这比听起来更常见：硬盘会坏，录音棚会关门。
- 为其他处理提供素材。分离是这些处理的前提：空间化，它需要单独的声源才能摆放位置；给只存在于混音之中的人声修音；以及单独处理一个受损的元素，不碰其余部分。
- 学习。一次一个声部地去听一张你喜欢的唱片到底是怎么平衡的，比读相关的文章学到的更多。
关于权利的部分
分离一段录音，不会让你对结果拥有任何权利。从商业发行作品中提取出来的人声，仍然是那个发行作品的人声，归你运行工具之前就拥有它的人所有；把它用在你要分发的东西里，需要的许可和以前一模一样。
这一点值得说得直白些，因为这项技术会让人产生相反的感觉。你在自己电脑上用软件做出来的东西，直觉上会觉得是你的。版权不是这样运作的，而这种直觉已经让不少作品的发行告吹。
拿一张唱片来练习、从中学习，或者做一些你永远不会分发的东西，则是另一回事，一般没有问题。界线在于公开发布。我们的可接受使用政策说明了我们把界线划在哪里，版权方也可以直接联系我们。
继续阅读