手机相册里往往躺着一些“舍不得删，但也不太好用”的视频。比如家长会那天录下的班级合唱：画面里孩子站得歪歪扭扭，声音里混着话筒回授、家长交谈和椅子挪动声。你想把这段合唱里的人声留出来听一听，或者把伴奏部分单独拎出来，但素材只存在于相册，没有单独的音频文件。这时就会碰到一个很具体的问题——本地人声分离怎么导入相册视频，以及导入之后该按什么顺序处理。
这篇文章围绕这一个场景展开，不讨论泛泛的音频知识，只说明可以从相册视频出发做哪些判断、哪些操作在声析人声分离器的能力范围之内，以及哪些期待需要提前放低。
先确认：这段视频值得花时间处理吗
导入之前，先花半分钟听一遍原视频，重点不是听旋律好不好，而是判断这段素材的“底子”。分离质量会受到原始音频质量、混音方式、噪声和压缩程度影响，同一款工具处理不同素材，结果可能差别很大。以下几条可以作为是否继续的参考：
- 录制距离：如果手机离合唱队伍很远，人声本身已经偏弱，分离后能保留的信息也有限。
- 环境噪声：持续的空调声、风声、人群交谈，会和目标声音混在一起，处理时难以完全区分。
- 压缩痕迹：经过多次转发、二次压缩的视频，音频细节可能已经被削掉一部分。
- 混音方式：如果现场扩音把伴奏和人声叠得很紧，两者的边界本身就不清晰。
举个具体例子：同样是班级合唱，一段是在安静的礼堂里用手机近距离录的，另一段是在操场边远距离录的，后者即使处理流程完全一样，也不该期待得到同样干净的结果。这不是操作问题，而是素材本身的限制。
判断素材，比反复调整参数更能节省时间。一段底子一般的视频，处理一次看看结果，往往比反复尝试更有效率。
从相册导入时，实际发生了什么
声析人声分离器支持导入相册视频和本地音频文件，并在设备本机完成音频提取、模型分离和结果导出。也就是说，导入相册视频这一步，包含两个连续动作：先从视频中提取音频，再对这段音频做分离。
需要明确的是，素材不需要上传到服务器。对于家长会录像、家庭聚会视频这类含有孩子影像和声音的内容，这一点是比较实际的考虑——处理过程在设备本机完成，不涉及把原始视频传到外部。
另外，导入的是视频文件本身，提取出来的是其中的音轨。画面部分不参与分离，也不需要为画面做额外处理。如果你只想保留音频结果，导出时关注的是分离后的人声或伴奏，而不是视频画面。
导入前可以顺手做的一件小事
在相册里先把要用的那段视频找出来，确认它没有被剪辑应用改过、没有只剩一小段。有些人会在导入后才发现选错了片段，只能重新来一遍。提前确认，能省掉一次无效操作。
快速模式还是精细模式：按目的选，不按心情选
声析人声分离器提供快速模式和精细模式两种处理方式。它们不是“好”与“更好”的关系，而是适合不同目的的两种路径。
什么时候先用快速模式
如果你只是想大致听听这段合唱里的人声是什么状态，或者想确认这段素材有没有继续处理的价值，快速模式更合适。它让你更快拿到一个可试听的结果，把判断成本降下来。
例如：家长会录像有十几分钟，你只想确认其中某一段合唱是否值得单独整理。先快速处理，听完再决定要不要换精细模式，比一上来就精处理更稳妥。
什么时候考虑精细模式
当你已经确认这段素材要用于某个具体用途，比如留一份人声版本自己听、或者把伴奏部分单独保存下来，并且愿意多等一会儿，可以改用精细模式再处理一次。两种模式的结果可以对比着听，哪一版更符合你的需要，就用哪一版。
需要提醒的是，模式选择不会突破素材本身的上限。一段噪声明显的远距离录音，换成精细模式也不会变得像录音棚素材。模式的差别在于处理方式，不在于修复素材缺陷。
混合试听：把音量调节当成判断工具
分离完成后，结果可以混合试听，人声与伴奏的音量能分别调节。这一步常被当成“调好听”的环节，其实它更像一个判断工具。
- 先把人声推高、伴奏压低，听人声部分是否连贯，有没有明显的断裂或残留。
- 再把伴奏推高、人声压低，听伴奏里是否还带着明显的主唱痕迹。
- 回到中间位置，判断这个混合比例是否符合你的实际用途。
举例来说，如果你想把伴奏留给家人练唱，重点听的是伴奏这一侧干不干净；如果你只想留一份人声做记录，重点就放在人声是否完整。两种用途对应的试听重点并不相同，不必用同一套标准要求所有结果。
试听时也要接受一个现实：分离不是消除。原视频里同时存在的声音，处理后会按人声与伴奏两类归拢，边界模糊的地方可能留有残余。听到残余时，先回到素材本身找原因，而不是立刻怀疑操作步骤。
保存、分享与清理：让结果停留在该在的地方
试听满意后，可以对结果进行保存、分享或清理最近结果。对于家长会这类含有未成年人影像和声音的素材，建议在分享前多想一步：
- 分享对象是否仅限于家人或班级内部；
- 分享的是音频结果还是原始视频，两者范围不同；
- 不再需要的中间结果，可以及时清理，减少在本机堆积。
处理和发布音频前应确认拥有相应授权，产品本身不授予音乐或视频素材的使用权。 这一点在处理集体活动录像时尤其值得留意：视频是你录的，不代表其中所有人的声音都可以随意公开传播。用于家庭内部回听，和发布到公开平台，是两件需要分别考虑的事。
几个容易被问到的问题
能不能直接把相册视频变成纯人声或纯伴奏文件
可以导入相册视频，提取音频后分离为人声与伴奏，并对结果进行试听、音量调节和导出。这是产品本身支持的范围。
能不能去掉现场噪声
产品不提供降噪功能。分离处理的是人声与伴奏的区分，环境噪声不属于这两类中的任何一类，可能会以残留的形式出现在结果里。选择素材时把噪声因素考虑进去，比事后期待处理更实际。
能不能识别出多种乐器
不支持多乐器分轨。结果只有人声与伴奏两类，伴奏是除人声之外其余声音的集合。
处理结果不理想怎么办
先回到素材判断：录制距离、噪声、压缩程度、混音方式，哪一项可能是主要原因。如果素材本身条件有限，换模式或反复调节音量的收益都不大。此时更合理的选择，是接受这一段素材的边界，或者换一段条件更好的录像。
把一次处理控制在一个明确目的上
回到家长会录像这个例子。如果你想要的只是留一份孩子所在声部的人声，那就导入、分离、试听人声是否连贯、保存，结束。不必顺手把整段十几分钟的视频都处理一遍，也不必因为某一段有残留就反复重来。
本地人声分离怎么导入相册视频，答案并不复杂：从相册选中视频，提取音频，选择模式分离，混合试听，再决定保存或清理。真正需要花心思的，是导入之前对素材的判断，以及导出之前对授权和分享范围的确认。把这两头想清楚，中间的操作反而会变得很短。