它是什麼
音軌分離拿到一份完成的雙軌混音，估算出組成它的各個音源：通常是人聲、鼓、貝斯和其他所有東西。你放進去一個檔案，拿回好幾個，每一個都是它對錄音中某個部分的最佳猜測。
「估算」這個詞，在這句話裡扮演著關鍵的角色。混音完成時，各自獨立的音軌被加總成兩個聲道，而加總是一種有損、不可逆的運算：如果只有加總的結果，能產生它的組合有無限多種。分離器並不會把加總復原。它運用自己學到的、關於各種樂器長什麼樣子、怎麼表現的知識，做出最合理的拆解，而合理並不等於原本。
這個區別，就是分離能做到的事和大家希望它做到的事之間的全部差距。它非常好，但它不是多軌工程。
大致上怎麼運作
大多數現代的分離器，處理的是一種時頻表示：頻譜圖，它顯示每個時刻、每個頻率上有多少能量。一個神經網路，在成千上萬首同時有混音和真正分軌的歌曲上訓練過，學會預測每個點上的能量，有多少屬於每一個音源。
接著，它把這個預測當成一種遮罩來套用，保留混音中它判斷屬於某個音源的部分，壓低其餘部分，再轉換回音訊。較新的模型有一部分或完全直接處理波形，這有助於處理頻譜圖做法必須重建的相位資訊。
它學到的，基本上是一種非常細緻的感覺：小鼓不是單獨出現時長什麼樣子、人聲在一個樂句裡怎麼變化、低頻能量怎麼分布。這個過程沒有任何一步，是在找回某個還存在於某處的檔案。根本沒有那樣的檔案。
分成 2、4、5 還是 6 個分軌？
分軌越多並不越好，而這是大家使用這類工具時最常犯的錯誤。
- 2 個分軌：人聲與伴奏。這是能得到的最乾淨的結果，因為模型在頻譜圖的每個點上，只需要做一個決定。如果你想要的是伴奏或純人聲（acapella），就只要這種分法，其他都不要：我們免費的去人聲工具做的正是這種分離，所以你可以在做任何決定之前，先在自己的曲目上聽聽品質。
- 4 個分軌：人聲、鼓、貝斯、其他。這是標準的分法，如果你要重建一份混音，就值得用它。「其他」是名副其實的大雜燴：吉他、鍵盤、弦樂，以及模型沒有被要求辨認的一切。
- 5 個分軌：加上鋼琴。曲目裡有突出的鋼琴聲部時很有用，沒有的時候反而更糟，因為負責鋼琴的輸出還是得從某個地方拿素材，而它總會找到某個東西當成鋼琴。
- 6 個分軌：加上吉他，條件和鋼琴一樣：曲目裡有你需要單獨拿出來的吉他聲部時值得用；沒有的時候，負責吉他的輸出也會找到某個東西當成吉他。
每多一個輸出，就多一次素材被分到錯誤位置的機會。只要能回答你的問題，分軌要得越少越好。
它在哪裡吃力，以及為什麼
- 殘響尾音。一條泡在殘響裡的人聲，在聲學上一部分是人聲，一部分是房間。模型必須決定尾音屬不屬於人聲分軌，而這沒有正確答案：殘響已經做進人聲裡了，所以兩種答案都說得通，也都不會是你想像中的樣子。
- 重度的匯流排壓縮。如果整份混音是用一個掛在全曲上的壓縮器「黏」在一起的，每個音源都會調變其他每個音源的音量。各個音源不再彼此獨立，而一個假設它們彼此獨立的分離器，就會繼承這種糾纏。
- 密集的中低頻。貝斯、大鼓、鋼琴的低音域和吉他的底部，全都擠在同一塊頻段。這正是人類混音師最需要費力處理的區域，原因也一樣。
- 疊唱與大幅度的聲像。一條疊唱後聲像分別推到最左和最右的人聲，是兩次演唱，模型卻可能把它當成位在一個奇怪立體聲位置上的單一音源。
- 任何不尋常的東西。分離器是在它看過的音樂分布上訓練出來的。在這個分布裡少見的樂器，西塔琴、不常見的合成器、錄得很差又沒受過訓練的嗓音，得到的估算會比較差，因為模型不太清楚自己看到的是什麼。
處理痕跡一旦出現，是認得出來的：高頻裡一種水汪汪、像相位效果器的質感；遮罩在音框之間突然改變的地方，出現短暫的咕嚕聲；還有串音，也就是一個音源淡淡的影子，縈繞在另一個音源的分軌裡。
如何評斷一個分離器
不要拿一首容易分離的歌來測試。人聲清楚、編曲簡單的稀疏錄音，會讓每個工具看起來都很出色，這正是示範總是用它們的原因。
拿困難的情況來測試，並聽具體的東西：
- 單獨聽（solo）每個分軌，找出不該在那裡的東西。串音是最常見的失敗，單獨聽時也最容易聽出來。
- 把分軌重新加總，和原曲比較。它們加起來應該非常接近你一開始的檔案。如果有素材消失了，代表工具把它無法歸類的東西丟掉了。
- 檢查拿回來的檔案的取樣率。有些工具不管你給的是什麼，內部都以 44.1 kHz 分離，然後再升取樣。結果的頻寬受到限制，這在頻譜分析儀上一看就知道，在房間裡聽卻很細微：內容戛然而止的那一道陡峭斷崖，就是破綻。
- 聽人聲的子音和鈸。高頻的瞬態，是遮罩造成的處理痕跡最先出現的地方。
大家實際上用它來做什麼
- 伴奏與純人聲，用於現場演出、卡拉 OK 或練習。
- Remix 與取樣，這時一段可用的鼓或人聲，比完美的保真度更重要。
- 搶救一份混音，在工程檔已經不見、只剩下輸出檔的時候。這比聽起來常見：硬碟會壞，錄音室會關門。
- 提供素材給其他處理。分離是這些處理的前提：空間化，它需要個別的音源才能擺放位置；為只存在於混音裡的人聲修音；以及單獨處理某個受損的元素，而不碰其他部分。
- 學習。一次一個聲部地聽，聽一張你喜愛的唱片實際上是怎麼平衡的，比讀相關的文章學得更多。
關於權利
分離一段錄音，並不會讓你對結果產生任何權利。從商業發行作品裡取出的人聲，仍然是那個發行作品的人聲，屬於你執行工具之前就擁有它的人；把它用在你要對外散布的東西裡，需要的許可和以前完全一樣。
這一點值得說得直白，因為這項技術會讓人有相反的感覺。你在自己的電腦上用軟體做出來的東西，直覺上會覺得是你的。著作權不是這樣運作的，而這種直覺已經讓不少作品的發行喊停。
拿一張唱片來練習、從中學習，或做一些你從不對外散布的東西，是另一回事，一般來說沒有問題。界線在於公開發布。我們的可接受使用政策說明了我們把界線劃在哪裡，而權利人也可以直接聯絡我們。
繼續閱讀