毕业十周年聚会前一周，我收到班长发来的一段校庆合唱视频。画面里是十年前的全班合影镜头，声音是当年合唱队唱的校歌。我想把这段视频里的伴奏留下来，聚会当天配着老照片播放；同时自己练唱时，也需要一版人声更清楚的参考。视频只有一段，手机里也没有原始音频文件，于是我用声析人声分离器把这次整理当成一次完整的练习，边做边记录每个需要停一下、想一想的节点。
需要先说明的是，分离效果取决于原始音频质量、混音方式、噪声和压缩程度，这段视频本身录得不专业，结果必然不会像录音室素材那样干净。另外，处理和使用这段音频前，应先确认自己拥有相应授权，工具本身不授予音乐或视频素材的使用权。
第一步：先想清楚这次要留下什么
动手之前，我把需求拆成两个具体目标：
- 目标一：留一版以伴奏为主的混合结果，聚会播放时人声不抢戏。
- 目标二：留一版人声更突出、但仍有伴奏垫底的结果，自己练唱时用来对节奏。
这两个目标对应的并不是两次完全不同的处理，而是同一份分离结果的不同混合方式。想清楚这一点，后面的操作就有了判断标准：我需要的是分离得相对干净的人声与伴奏，然后在试听中分别调节两者音量，而不是反复重新处理碰运气。
检查点：如果连“这次是给自己练唱还是给别人播放”都没定下来，试听时很容易觉得怎么调都不对。先写下一句话目标，再开始导入。
第二步：导入相册视频，先接受素材的天花板
这段视频来自相册，画面和声音是一体的。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，素材不需要上传到服务器。对这段班级内部视频来说，这一点让我比较放心。
导入前，我先把视频完整看了一遍，做了几个听感上的判断：
- 合唱部分有现场环境声，掌声和说话声混在段落之间。
- 视频经过多次转发，声音听起来偏闷，细节不多。
- 人声不是独唱，而是多人合唱，声部叠在一起。
这三点决定了我的预期：多人合唱加现场噪声，分离后残留一些声音是正常现象，我要做的是在混合阶段把不想要的部分压下去，而不是指望一次处理就得到录音室级别的伴奏。
第三步：快速模式还是精细模式，用一次试听决定
产品提供快速模式和精细模式两种处理方式。我的选择方法很简单：先用快速模式跑一遍，听结果再决定要不要换精细模式。
快速模式出来的结果，人声和伴奏大致分开了，但合唱段落里伴奏一侧还能听到明显的和声影子，间奏处的掌声也被带进了伴奏。这个结果用于聚会背景播放勉强可以，用于练唱参考就偏糊。
于是我用同一段素材再走精细模式。这一遍分离得更细，人声一侧的伴奏感更弱，伴奏一侧的人声残留也有所减少，但处理等待时间更长，而且现场噪声并没有消失——它本来就不属于“人声”或“伴奏”，只是被分到了两边。
检查点：如果快速模式的结果已经能满足你的目标，就没必要为了“更精细”而再跑一遍。模式选择应服务于用途，而不是追求参数上的心理安慰。
第四步：混合试听，用两个目标分别校准
分离完成后，结果可以混合试听，人声与伴奏音量能分别调节。我按前面定下的两个目标，各调了一版。
为聚会播放调伴奏版
我把伴奏音量保持在较高位置，人声压到较低但不清零。完全去掉人声，合唱的现场感会突然消失，听起来像一段来路不明的伴奏；留一点点人声，反而更像“当年的现场”。这个判断没有标准答案，我是用手机外放和耳机各听了一遍才定下来的。
为练唱调参考版
这一版反过来，人声抬高、伴奏降低，但伴奏不能太低，否则跟不上节拍。调整时我重点听了副歌进拍的位置，确认人声和伴奏在时间上是对齐的，没有出现前后错位的感觉。
两版调完后，我把它们分别保存，避免之后混淆。最近结果可以保存、分享或清理，整理完这段素材后，我把中间反复试听的临时结果清理掉，只留下最终两版。
第五步：导出前的三个确认
导出之前，我停了半分钟，按顺序确认了三件事：
- 用途确认：聚会播放的那一版，只在班级内部使用；练唱版只给自己听。两版都不打算公开发布。
- 授权确认：校歌的曲谱和录音涉及的权利归谁，我并不完全清楚。因此我没有把结果上传到任何公开平台，如果之后要在公开场合使用，需要先向相关权利人确认。
- 听感确认：用最终要播放的那台设备再听一遍。手机外放和耳机听感差别不小，这一步能避免“在耳机里刚好、在外放里人声又冒出来”的尴尬。
检查点：导出不是终点，而是最后一次纠错机会。如果听感确认时发现问题，回到混合试听环节调音量即可，不必重新分离。
这次练习留下的几点判断
整段素材从导入到导出，真正花时间的不是处理本身，而是想清楚目标、接受素材限制、在试听中做取舍。回顾这次整理，有几点对同类素材应该同样适用：
- 先定用途，再选模式。快速模式够用就不必换精细模式，反之亦然。
- 不要把现场噪声当成分离失败。它本来就不在“人声”和“伴奏”这两类里，压音量比反复重跑更实际。
- 混合试听阶段是最值得花时间的地方，两版结果往往只差在音量比例上。
- 导出前用目标设备听一遍，比在剪辑软件里反复看波形更有用。
聚会那天，伴奏版在投影上播放，画面里的合唱声和现场同学跟着哼的声音叠在一起，效果比预想中自然。练唱版则一直留在我手机里，偶尔翻出来跟着唱两句。这段视频并不完美，但经过一次有判断的整理，它至少变成了两段各自有用的音频。
如果你手里也有一段类似的旧视频，不妨先写下这次要它做什么，再决定导入后怎么调。工具负责在本机完成提取、分离和导出，至于留下什么样的结果，仍然取决于你听和判断的那几步。