UVR5 人声分离教程：三步免费提取伴奏与干声的完整流程

【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui

UVR5（Ultimate Vocal Remover 5）是一款免费的开源 AI 人声分离工具，自带图形界面，把一首歌拆成人声与伴奏两轨。本文按"环境就绪 → 跑通第一次 → 调优进阶"的顺序，带你从零完成一次完整的人声分离提取伴奏。

第一步：装好 UVR5 环境，两种方式任选

官方安装包路线：无需预装 Python 与 PyTorch

UVR5 提供 Windows 安装程序与 macOS dmg 两种官方一体化安装包，Python、PyTorch、FFmpeg 全部内置，装完打开即用，机器上不需要任何前置环境。

源码路线：clone 仓库并安装依赖

如果你习惯自己管理环境，克隆仓库后安装依赖即可：

git clone https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui cd ultimatevocalremovergui pip install -r requirements.txt

两点说明：

• 依赖清单见 requirements.txt，torch、librosa、onnxruntime、soundfile、pydub 等关键版本均已锁定
• NVIDIA 显卡用户建议换装 CUDA 版 PyTorch，推理速度提升明显；安装时报权限错误就加--user或改用虚拟环境

第二步：完成第一次人声分离，拿到干声与伴奏

认识主界面的关键控件

界面从上到下分四块，各管一件事：

• Select Input / Select Output：指定要分离的音频文件、以及结果输出到哪个目录
• 输出格式：WAV、FLAC、MP3 三选一，需要二次编辑选 WAV
• CHOOSE PROCESS METHOD + 模型下拉框：选算法架构（MDX-Net、MDX-Net(C)、VR Architecture、Demucs）与该架构下的具体模型
• 参数区：Segment Size、Overlap、GPU Conversion 开关、Sample Mode 开关，底部是 Start Processing 按钮

Sample Mode 试跑 30 秒，再跑全长

第一次用某个模型，先勾上Sample Mode：程序只处理歌曲前 30 秒（在设置菜单里可把这段时长从 5 秒调到 120 秒）。几秒内就能听到效果，参数满意后再取消勾选跑全长。换模型、调参数都重复这个试跑循环，比每次等全长结果省时间。

输出文件：干声与伴奏的命名

处理完成后，输出目录里会多出两个文件（以 WAV 为例）：

• 歌曲名_(Vocals).wav—— 人声干声
• 歌曲名_(Instrumental).wav—— 伴奏

第三步：调优，Segment Size、Overlap 与模型怎么选

Segment Size 与 Overlap 的取值范围

这两个参数决定"质量—速度—内存"的平衡：

• Segment Size：取值 128 / 256 / 512，默认 256。数字越小越省内存，老设备从 128 起步；越大质量上限越高，显存压力也越大
• Overlap：预测窗之间的重叠数量，默认 8。重叠不足时结果会带接缝感或咔哒声，遇到就把数值逐步加到 16 或 24；重叠越大拼接越自然，耗时也相应增加

按素材类型选算法与模型

• 流行、摇滚，追求速度与效果均衡：选 MDX-Net 系列，两轨人声模型如 MDX23C-InstVoc HQ，实现见 lib_v5/mdxnet.py
• 古典、爵士、编曲复杂：换 Demucs v4，四轨分轨（人声 / 鼓 / 贝斯 / 其他）更稳定
• 只想去掉某一类乐器：选 VR Architecture，有专项模型，例如 4band_44100 下名字带 "No Piano" 的版本
• 原声带噪点：先用models/VR_Models/UVR-DeNoise-Lite.pth降噪一遍，再进分离流程

每个模型的设计取向（mdx_dim_f_set、primary_stem、是否 karaoke 模式）都写在 models/MDX_Net_Models/model_data/model_data.json 里，拿不准模型取向时可以直接打开对照。

补充一句原理：传统"消人声"是按频段切除，人声与乐器泛音在频率上大量重叠，切掉的往往是乐器一起；AI 模型学的是"哪段声音来自哪个声源"，按来源拆而不是按频率切，所以伴奏里乐器更完整。

常见问题排查：症状与对策

• 显存报 CUDA out of memory：把 Segment Size 降到 128，或取消 GPU Conversion 改走 CPU
• 结果有接缝、咔哒声：Overlap 从 8 加到 16 或 24 重跑
• 模型下载失败或极慢：手动下载模型文件，放入models/下对应目录（如 MDX_Net_Models），再启动
• 界面打不开，提示缺少 tkinter：安装系统组件 python3-tk（或对应系统的等价组件）后重试
• 转换 MP3 等非 WAV 文件报错：缺少 FFmpeg，安装后放入程序目录即可；UVR5 依赖 FFmpeg 处理非 WAV 格式
• 想批量处理：设备调度逻辑在 separate.py，程序自动检测 CUDA 与 macOS 的 MPS，可用时优先走 GPU，批量前把 GPU Conversion 打开收益最大

第一次完成后，挑一首你闭眼都能跟唱的歌验证效果——当伴奏里的每一件乐器都完整保留、人声被干净抽走时，这套流程就算跑通了。

【免费下载链接】ultimatevocalremoverguiGUI for a Vocal Remover that uses Deep Neural Networks.项目地址: https://gitcode.com/GitHub_Trending/ul/ultimatevocalremovergui