# 在本地跑人声分离：不开云服务、不传文件，用开源引擎把视频里的人声和伴奏分开

做音视频处理时，常遇到这类需求：一段会议录像要提取发言文字、一段产品演示要去掉背景音乐、一段现场录音要把人声和噪音分开。市面上的方案大致两条路——调云端 API，或者本地跑模型。
这篇文章记录的是第二条路：用一套开源的音频分离引擎，在本地完成人声/伴奏/混响/底噪分离，全程不联网传文件、不开通任何云服务、不产生按量计费。
## 为什么选本地而不是云端

先对比一下两种路线的差异。

| | | |
|:-:|:-:|:-:|
|对比项|云端 API（以腾讯云 MPS 为例）|本地开源引擎|
|费用|按分钟计费（音频分离 + 转码两笔），存储和流量另算|只耗本机算力，零费用|
|数据安全|音频/视频上传至云端服务器|文件不出本机|
|开通成本|注册账号、开通 MPS、配置服务角色授权、建 COS 桶|装好依赖即可运行|
|灵活性|固定接口和输出格式|模型可换、参数可调、输出格式自选|
|首次使用|填完表单就能调|首次需下载模型（约 2–5 分钟/个），之后永久缓存|
核心差异就两点：**数据要不要出本机**，以及**要不要持续付费**。如果处理的视频涉及内部会议、未公开素材、或对出镜内容有合规要求，本地方案省掉很多顾虑。
## 技术选型：UVR5 同源的音频分离引擎

用的是 UVR5（Ultimate Vocal Remover 5）社区同一套模型体系——背后的模型包括 MDX-Net、VR Architecture、Demucs、Roformer 等，桌面软件 UVR5 就是把这些模型的调用封装成了图形界面。
这套引擎的核心逻辑：把音频送进神经网络，模型学会区分"人声频谱"和"非人声频谱"，然后分别输出两路波形。不同架构的模型各有侧重——有的擅长保留伴奏细节，有的擅长把人声提干净，有的专门去混响或去底噪。
## 本地怎么跑起来

### 依赖安装

引擎本身是 Python 库，一行命令就能装好（依赖含 PyTorch 深度学习框架和 ffmpeg 音视频编解码器）：
首次安装会拉 PyTorch（约 300MB），走国内镜像源大约 1–2 分钟。机器有 NVIDIA 独显的话会自动装 CUDA 版本，没有则用 CPU 版——代码自动检测，不用手动切换。
### 模型按需下载

引擎本身不带模型文件，模型单独存放。常用的有这几个：

| | | | |
|:-:|:-:|:-:|:-:|
|模型别名|用途|大小|效果特点|
|inst（默认）|提取干净伴奏|~67MB|伴奏完整，人声残留少|
|vocal / vocals|提取干净人声|~67MB|人声清晰，齿音控制好|
|reverb / dereverb|去混响|~64MB|把混响和人声分开|
|denoise / noise|去底噪|~18MB|去除环境噪声和底噪|
单个模型 18–67MB 不等，托管在 GitHub Releases 上。第一次用到某个模型时自动下载到本地模型目录，只下一次，之后复用、不再联网。
下载走了国内加速通道（代理 + 分块并行），实测比直连快约 17 倍。如果加速通道不通会自动回退直连。
### 实际用法

最简单的用法：给一个音频或视频文件，指定要分离的类型。
```

```输入视频文件时，引擎会自动先把音轨抽出来处理，处理完再合成回去——画面原样不变，只是音轨换成了去掉人声的版本。输出默认是无损 WAV 格式（方便二次剪辑），也可以指定 MP3 或 FLAC。
支持中、英、日等各种语言的人声分离，模型本身是学频谱特征的，不限语种。
## 几个关键点

1. **模型首次自动下载，之后永久缓存**单个模型 18–67MB 不等，托管在 GitHub Releases。第一次用到某个模型时，脚本自动下载到本地模型目录，只下一次，之后复用、不再联网。

1. **GPU 自动检测加速**有 NVIDIA 显卡且装了 CUDA 版 PyTorch 就自动走 GPU 加速，速度比 CPU 快几倍到十几倍（取决于显卡算力）。没有独显就走 CPU，16 核 i7 这类 CPU 跑一首歌大约 30–60 秒，也能正常用。

1. **视频直接处理**不需要手动抽音轨再合回去。给 .mp4 / .mkv / .avi 等视频文件，引擎自动完成"抽音轨→分离→合成"全流程，输出就是去好人声的视频文件。

1. **稳定性保障**引擎依赖锁了版本号，重装不会踩坑（之前踩过 DNNL 段错误、torchvision 版本错配、ffmpeg 可执行文件命名不一致等问题，都在依赖清单里固定好了）。模型索引数据也预置在本地，不需要启动时联网查询。

## 和腾讯云 MPS 的详细对比

如果公司已经在用腾讯云生态，MPS 的音频分离能力确实开箱即用、接入文档齐全。但两种方案的适用场景不同：
- **适合上云的场景**：并发量大（每天几千条）、团队没人能维护 Python 环境、需要和 COS/CDN/CAM 打通自动化流程。

- **适合本地的场景**：零星需求（每天几条到几十条）、文件敏感不能外传、不想管账单和配额、或者就想试试哪个模型效果好再决定。

成本方面粗算一笔：MPS 音频分离大约 0.01 元/分钟，转码另收。如果一个月处理 10 小时音频，光分离费就 6 元起，还不算 COS 存储和下行流量。本地方案这笔钱为零——电费忽略不计的话。
## 小结

这套方案的本质就是把 UVR5 社区验证过的模型能力，从桌面 GUI 变成了可命令行调用、可嵌入自动化流程的形式。对于有本地计算资源、对数据出境敏感、或只是想省掉云服务开销的场景，够用也好用。
第一次用的时候要装依赖和下载模型，加起来大概 3–7 分钟，之后就都是秒开了。


----
本文技术实现基于 WorkBuddy 技能市场发布的「音频视频人声分离」技能（Slug: vocal-remover），该技能将上述流程封装为一键式操作：给文件、选模式、拿结果，无需手敲命令。

做音视频处理时，常遇到这类需求：一段会议录像要提取发言文字、一段产品演示要去掉背景音乐、一段现场录音要把人声和噪音分开。市面上的方案大致两条路——调云端 API，或者本地跑模型。这篇文章记录的是第二条路：用一套开源的音频分离引擎，在本地完成人声/伴奏/混响/底噪分离，全程不联网传文件、不开通任何云服务、不产生按量计费。

# 用 WorkBuddy 本地离线做"人声分离"：数据不出本机，还不用花一分钱

本文介绍如何在本地用开源引擎完成人声分离：不传文件到云端、不开通云服务、不产生按量计费。基于 UVR5 同源的音频分离引擎（MDX-Net/Roformer/Demucs 等），支持提取伴奏、人声、去混响、去底噪，首次使用自动下载模型并永久缓存。对比腾讯云 MPS 方案，适合数据敏感、零星需求、不想管账单的场景。

音视频

人工智能

开发工具

本地跑人声分离教程：无需云服务，用开源UVR5引擎实现音视频分离。支持人声/伴奏/混响/底噪分离，全程不传文件、零费用。自动检测GPU加速，首次下载模型后永久缓存，适合敏感数据或零星需求。对比云端方案更安全经济，支持多语言处理，输出无损WAV或MP3格式。

深度学习框架

数据安全

深度学习

服务器

WorkBuddy 

Python

2026上云采购 | AI焕新·智启新局

对象存储COS新用户低至1元！


4核4G3M云服务器 新用户低至38元/年！

媒体处理 MPS 普通转码包1元起


CDN免费试用


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

# 用 WorkBuddy 本地离线做"人声分离"：数据不出本机，还不用花一分钱-腾讯云开发者社区-腾讯云

# 用 WorkBuddy 本地离线做"人声分离"：数据不出本机，还不用花一分钱

# 用 WorkBuddy 本地离线做"人声分离"：数据不出本机，还不用花一分钱

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐