音述AI是专为高保真人声分离设计的本地化离线引擎，需Windows 10/11+WSL2+NVIDIA显卡，配置48kHz/32位浮点及vocal_enhance参数可输出清晰饱满带气声细节的干声。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想从热门短视频原声或高清演唱会视频里提取出清晰、饱满、带气声细节的人声干声，用于配音、翻唱或声乐教学分析，但普通分离工具导出后人声发虚、断续、混响残留严重——音述AI正是为解决这类高保真需求而设计的本地化专业分离引擎，无需上传、不依赖网络、全程离线运行。
确认系统与硬件兼容性
音述AI仅支持Windows 10/11 64位系统，且【必须启用Windows Subsystem for Linux 2（WSL2）】。若未安装，后续所有命令将报错退出，无法继续配置。
按下Win+R，输入“wsl --install”，回车执行；安装完成后重启电脑。此步不可跳过，也无需手动下载ISO或配置虚拟机。
显卡需为NVIDIA GTX 1060及以上（含RTX系列），驱动版本不低于535.98。AMD或Intel核显用户请直接放弃本教程——音述AI不提供CPU fallback模式，强行运行会卡死在模型加载阶段。
下载并解压核心运行包
访问官方GitHub Release页（https://github.com/yinshu-ai/core/releases），下载最新版“yinshu-core-v2.3.1-win-cuda12.zip”文件（截至2026年8月19日为唯一正式版）。
右键解压至纯英文路径的文件夹，例如D:\yinshu\，【禁止解压到中文路径、桌面、OneDrive或微信/QQ默认下载目录】，否则启动时会提示“model not found”错误且不报具体位置。
解压后检查文件夹内是否包含config.yaml、models\demix_pro_v3.onnx、bin\run.exe三个关键项，缺一则重下。
配置高音质分离参数
用记事本打开D:\yinshu\config.yaml，找到audio_output部分：
将sample_rate: 44100改为sample_rate: 48000——这是人声频谱完整性最关键的一步，44.1kHz会导致高频泛音截断，气声与齿音细节丢失明显；
将bit_depth: 16改为bit_depth: 32，启用浮点精度输出，避免量化噪声叠加在干声底噪中；
在post_processing节点下新增一行：vocal_enhance: true，开启内置的谐波重建模块，专为女高音与童声优化，对男中音无副作用。
运行分离任务
方法一：命令行快速启动
以管理员身份打开Windows Terminal，cd /d D:\yinshu，执行：.\bin\run.exe -i "C:\songs\live.mp4" -o "D:\output\" -m vocal_only
方法二：拖拽式批量处理
双击D:\yinshu\bin\run_gui.exe → 界面弹出后，直接将多个MP4/MKV文件拖入灰色区域 → 左下角勾选“高保真人声模式” → 点击“开始分离”按钮。
分离完成后的文件自动保存在D:\output\，命名格式为“live_vocal_48k32f.wav”，其中“48k32f”即代表你启用的高音质参数组合。
