假设你手上有一段手机拍的合唱视频，想把它整理成能反复跟唱的伴奏。多数人会直接打开工具、选一个模式、点开始，然后等着结果。步骤没错，但决定结果好坏的那几个判断，往往在点“开始”之前就已经做完了。这篇音频分离使用教程不复述按钮顺序，而是挑出几个容易被当成常识的说法，逐一说明它们为什么不成立，以及更稳妥的判断方式。
需要先说明边界：声析人声分离器在设备本机完成音频提取、模型分离和结果导出，素材不需要上传到服务器。它提供快速模式和精细模式，结果可混合试听、分别调节人声与伴奏音量，并可保存、分享或清理最近结果。分离质量受原始音频质量、混音方式、噪声和压缩程度影响，不承诺所有素材达到相同效果。处理和发布音频前，请确认你拥有相应授权。
误区一：干声就一定比带混响的素材好分离
这个说法流传很广，理由是“混响会让人声拖尾，模型分不干净”。听起来合理，但它把“人声干净”和“整段混音好处理”混为一谈了。
分离面对的不是单独的人声轨，而是一段已经混合好的音频。真正影响结果的是人声与伴奏在频段和空间上的重叠程度，以及整段素材的动态是否稳定。一段在安静房间里录的干声，如果音量忽大忽小、中间有喷麦和呼吸杂音，处理起来未必轻松；一段带自然房间混响、但人声位置稳定、伴奏编制简单的现场录音，反而可能更容易得到可用的结果。
更合理的判断顺序是这样的：
- 先看人声是否连贯。断断续续、频繁停顿的人声，会让分离结果在时间轴上出现明显起伏。
- 再看伴奏是否“满”。伴奏里铺满合成器、鼓组和和声时，与人声重叠的部分更多，残留也更难避免。
- 最后才考虑混响。混响是影响因素之一，但不是唯一决定项，不该成为筛选素材的第一道门槛。
举个具体例子：同样是两段手机视频，一段是室内清唱，一段是小型演出中的合唱。前者未必更好处理，因为清唱时人声之外的底噪会被放大；后者虽然混响明显，但人声与器乐的位置关系相对固定。这不是结论，而是提醒你先听整体，再下判断。
把“素材好不好”简化成“干不干”，等于跳过了最重要的那一步：完整听一遍。
误区二：精细模式是快速模式的加强版
很多人在两种模式之间犹豫时，会默认“精细”就是“更好”，于是无论什么素材都选精细。这个理解忽略了一个前提：模式的选择应该服务于你这次要拿结果做什么，而不是追求某个抽象的“更高质量”。
快速模式和精细模式的差别，在于处理路径的取舍。当你只是想在几分钟内判断一段素材有没有继续整理的价值，快速模式给出的结果已经足够支撑这个判断；当你准备把结果用于反复试听、调节音量比例，才值得投入更长的处理时间。换句话说，模式应该跟着用途走，而不是跟着“想不想认真”走。
可以按下面这个思路做一次尝试：
- 先用快速模式处理一段素材，完整听一遍人声和伴奏分别是什么状态。
- 如果残留明显影响使用，再考虑换精细模式重新处理同一段素材。
- 对比两次结果时，关注同一处时间点的表现，而不是笼统地说“哪个好”。
- 把这次对比记下来，下次遇到类似素材就有了参照。
这里没有“必须选某个模式”的规则。素材差异太大，任何一刀切的建议都不如你自己对比一次来得可靠。
误区三：把人声和伴奏音量调到一样，就是平衡
混合试听时，人声和伴奏可以分别调节音量。一个常见的做法是把两条推子拉到相近的位置，认为这样“听起来均衡”。问题是，你听到的均衡，未必是这段音乐原本的比例。
分离结果里的伴奏轨，往往已经缺失了原本与人声重叠的部分；人声轨也可能带走了一些伴奏的能量。两条轨各自的音量，和原曲中两者的关系并不是一一对应的。把音量拉到相同，只是让两条轨的响度接近，不代表还原了原曲的层次。
更实用的做法是带着目的去调：
- 如果目的是跟唱练习，把人声压低到能听清旋律走向但不会干扰自己开口的程度，比追求绝对平衡更有意义。
- 如果目的是听伴奏编配，可以适当提高伴奏，接受人声轨作为参考存在。
- 如果目的是检查分离效果，不妨把两条轨分别单独听一遍，再合起来听，更容易发现残留集中在哪个时间段。
音量调节是用来服务的，不是用来“校准”的。想清楚这次试听要解决什么问题，比反复微调推子更省时间。
误区四：导出之后就完事了
很多人把导出当成流程的终点，导完就关掉，结果下次想再对比时，发现自己已经不记得当时调了什么、为什么选了这个版本。
分离结果可以保存、分享或清理最近结果。这几个动作本身就构成了一条值得利用的记录链：保存当前版本，隔一段时间再回来试听，你会更容易判断当时的处理是否合适；清理不再需要的最近结果，则能让你在下次打开时少一些干扰。这不是要求你做复杂的归档，而是让每一次处理都留下一点可回溯的痕迹。
还有一个容易被忽略的前置条件：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。如果是自己拍摄、自己演奏的素材，这一条通常不成问题；如果是他人作品，导出之前就该把授权问题想清楚，而不是等发布时再补。
把判断放在动手之前
回到开头那段合唱视频。更稳妥的顺序大概是这样：先完整听一遍，判断人声是否连贯、伴奏是否拥挤；再决定用哪种模式做第一次尝试；处理完分别听人声轨和伴奏轨，找出残留集中的位置；调音量时明确这次要解决什么；最后把结果保存下来，给自己留一个可对比的版本。
这套顺序里没有哪一步需要特殊技巧，难的是不跳过它们。工具能做的，是在本机把素材分成人声与伴奏，并让你试听、调节、保存；判断素材值不值得处理、结果能不能用，始终在你这边。把几个流行说法拆开看一遍，你会发现真正需要记住的规则并不多：先听整体，再选路径，按用途调音量，处理后留痕。