音述ai本地音频人声分离工具可离线快速分离人声与伴奏，支持拖拽上传、批量处理及多模型选择，全程数据不上传，三分钟内输出wav格式纯净音轨。
☞☞☞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☜☜☜
想把一段采访录音里的人声单独抠出来做播客，却发现背景音乐和人声死死粘在一起分不开；想给老电影配新字幕，原声里却混着环境音和配乐；或者练歌时找不到干净伴奏，网上下载的“伴奏版”不是音质差就是人声残留严重——这些问题不用再靠玄学调参或反复试错，用音述AI本地音频人声分离工具，全程离线运行，三分钟内就能输出纯净人声或伴奏文件，所有处理都在你电脑里完成，原始音频不上传、不联网、不泄露。
下载与启动：解压即用，不装依赖不配环境
访问音述AI官方发布页（github.com/yinshu-ai/vocal-local），点击「Releases」→ 找到最新版压缩包（如 v1.3.2-win-x64.zip 或 v1.3.2-macos-arm64.zip）→ 下载到本地。Windows 用户建议解压到不含中文和空格的路径，例如 【D:\yinshu】；macOS 用户双击解压后若提示“无法打开”，右键→「显示简介」→拉到底部勾选「仍要打开」。
解压完成后，直接双击文件夹内的 【start.exe（Windows）或 start.app（macOS）】，工具会自动唤起本地浏览器并加载操作界面，无需手动打开 Chrome 或 Safari。
上传音频：支持拖拽，也支持批量导入视频文件
页面中央是带虚线边框的上传区，上面写着「支持 MP3/WAV/MP4/MOV/MKV/AVI」。直接从资源管理器中选中目标文件，按住鼠标左键拖入该区域，松手即完成上传——这一步比点选文件对话框快得多，尤其适合处理多个采访录音。
如果是一整个文件夹的素材，比如「会议录音_202608」，不要逐个拖，而是先在左侧导航栏点击「批量导入」→ 点击「选择文件夹」→ 定位到该文件夹→ 确认。工具会自动扫描其中所有兼容格式，跳过损坏或不支持的文件，避免卡在单个坏文件上。
注意：上传 MP4 等视频文件时，工具会自动提取内置音频流进行分离，无需你提前用格式工厂导出 WAV——省掉一道易出错的手动转码步骤。
模型选择与分离：选对模型，结果干净度差三倍
第一步：看音频类型。如果是手机录制的采访、播客、线上会议，选「Vocal-Enhance（人声增强）」模型；如果是流行歌曲、KTV录音、影视原声，选「Music-2Stems」；如果音频里有明显钢琴+鼓+贝斯编曲（比如爵士、R&B），且你需要分别提取乐器，选「Music-5Stems」。
第二步：确认输出选项。默认勾选「仅导出人声」，如果你同时需要伴奏用于翻唱，务必额外勾选「导出伴奏」——这一步漏选会导致伴奏文件不生成，且分离完成后无法补导，必须重跑一次。
第三步：点击「开始分离」。若你的设备搭载 NVIDIA 显卡（RTX 30/40系）且已安装驱动，工具会自动启用 CUDA 加速，3分钟音频约耗时 18 秒；纯 CPU 模式下同文件需 90 秒左右，进度条会实时显示剩余时间。
导出与验证：文件命名自带标识，防混淆
分离完成后，页面弹出「导出成功」提示，并列出生成的文件路径。默认输出格式为 WAV（无损），采样率 44.1kHz，位深 16bit——这个组合兼容绝大多数剪辑软件，不会出现 Audition 打不开或 Premiere 音画不同步的问题。
导出文件名自动添加后缀：原文件「interview_0815.mp3」→ 人声文件命名为「interview_0815_【vocal】.wav」，伴奏文件为「interview_0815_【accompaniment】.wav」。这种命名规则能防止你后期误用错轨，尤其当一天处理二十多个文件时，一眼就能识别内容。
点击右侧「试听」图标可直接播放人声片段，前 5 秒自动高亮波形，若看到密集尖峰且底噪平坦，说明人声提取干净；若波形稀疏或底部持续起伏，代表模型不匹配，应换用「Vocal-Enhance」重试。
