拍摄一段口播，回放时发现自己的声音像隔着一层东西：字能听清，但没有分量，背景音乐一进入副歌就把句子顶端盖过去。你反复调小背景音乐的音量，人声却还是闷在里面。这不是音量谁大谁小的问题，而是这条相册视频在录制的瞬间，人声和背景音乐已经被混在了一条轨道里。后期再拉音量，拉的是同一条轨道上所有声音的总量，人声和背景音乐一起被抬高或压低，比例不会变。
这篇文章只处理这一种情况：相册视频里的人声没有明显损坏，但和背景音乐粘在一起，导致听起来发闷、被压。如果你遇到的是录音爆音、环境噪声盖过人声、或者人声本身已经断裂缺字，那属于另一类问题，处理思路不同。先确认自己面对的是哪一种，再往下看。
先判断：你听到的到底是“音量小”还是“被人声与伴奏混在一条轨里”
打开原始素材认真听一遍，对照下面几条信号。命中的越多，越说明问题出在“混合”而不是“音量”。
- 把设备音量调大后，人声变响了，但背景音乐也一起变响，人声依旧不突出。
- 背景音乐进入鼓点或副歌时，口播的字尾被吃掉，需要靠记忆补全。
- 同一句话里，有些字清楚，有些字糊，糊的位置恰好和音乐重拍重合。
- 把视频静音后看字幕或回忆内容，你其实知道自己在说什么，说明人声并没有丢失，只是被压住。
- 用耳机听和用外放听，发闷的程度差别不大，说明不是扬声器的问题。
如果以上大部分成立，你面对的是混合问题。这时真正有用的动作不是继续调音量，而是先把人声和背景音乐分开成两条独立的轨道，让它们各自可以被单独调整。
一个容易走偏的方向：在人声被混在一条轨里的情况下，反复叠加均衡或压缩，试图把人声“顶出来”。这类操作会同时改变背景音乐的质感，往往越调越糊，而且不可逆。先把两条声音拆开，再决定怎么调，判断成本更低。
决策路径：什么时候值得做分离，什么时候不必做
不是所有“听起来发闷”的素材都需要分离。先花一分钟做取舍，能省下一次无效操作。
- 看用途。如果你只是自己留存这段视频，不打算发布，发闷通常不影响使用，不必处理。
- 看人声是否是主角。如果这条视频的核心是口播内容，人声必须清楚，那就值得分离。如果背景音乐才是重点，人声只是氛围，也可以不处理。
- 看原始音频质量。如果素材本身录制环境嘈杂、压缩严重，分离后的人声可能仍然不干净。声析人声分离器的处理质量会受到原始音频质量、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。这种情况下，先接受“分离后也只改善一部分”的预期。
- 看授权。处理和发布音频前，应确认你拥有相应授权。产品本身不授予音乐或视频素材的使用权。如果背景音乐来自你无权使用的来源，先解决授权问题，再谈技术处理。
这四步走完，如果结论是“值得做”，再进入操作。如果结论是“不值得”，直接跳过，把时间留给更值得改的内容。
具体做法：从相册视频到可单独调节的人声与伴奏
第一步：把相册视频导入，先完成音频提取
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，如果你手上是相册里的视频，可以直接导入，不需要先在外面把视频转成音频再回来。
导入后，提取出来的音频就是你后面要分离的对象。此时建议先完整听一遍提取结果，确认它和原视频里的听感一致，没有因为提取环节出现额外的断裂或缺失。
第二步：在人声与伴奏之间选一个模式
产品提供快速模式和精细模式，两者面向的取舍不同。
- 快速模式：适合先看一个大概结果，判断“分离这条路是否走得通”。当你不确定素材值不值得细调时，先用它试一次，成本低。
- 精细模式：适合你已经确认这条素材要发布、需要更认真地处理人声与伴奏的比例。它适合在快速模式给出方向之后再使用。
选择不是一次性的对错判断，而是一个先粗后细的顺序。先用快速模式确认方向，再用精细模式处理真正要用的那条。
第三步：混合试听，分别调节人声与伴奏音量
分离完成后，结果可以混合试听，人声与伴奏的音量可以分别调节。这一步是整个流程里最有价值的地方：因为两条声音已经分开，你可以把伴奏压低到不抢字的位置，同时把人声保持在不需要费力就能听清的水平。
一个可参考的调整顺序——先把伴奏音量降到人声清楚为止，再回听整段，确认没有出现“人声突然跳出来、伴奏突然消失”的割裂感。调的是比例，不是把某一方彻底关掉。
第四步：保存、分享或清理
结果可以保存、分享或清理最近结果。建议在保存前把整段完整听一遍，尤其是开头和结尾，确认没有在你不注意的位置留下不自然的衔接。确认后再保存或分享，避免多次重复导出。不需要的最近结果及时清理，能让后续处理更清晰。
两个常见的判断偏差
偏差一：把人声分离当成降噪。声析人声分离器做的是把素材分离为人声与伴奏，不包含降噪、转写或多乐器分轨功能。如果素材里的主要问题是环境噪声，分离能改善的只是人声与伴奏的比例，噪声本身不会因此消失。分清你要解决的是“比例”还是“噪声”，能避免用错工具后的失望。
偏差二：以为处理必须上传。这套流程在设备本机完成，素材不需要上传到服务器。对于在意素材隐私、不方便把原始视频传出去的自媒体创作者，这一点意味着可以直接在本机处理，不必为了一次分离把母带交出去。这也意味着处理能力取决于你的设备本身，而不是把任务交给远端。
什么时候应该停下，不再继续处理
分离不是越做越好。出现下面几种情况时，继续调下去收益很低：
- 分离后的人声虽然独立了，但本身已经含糊到听不清字，这通常指向原始录音问题，不是分离能补的。
- 你反复在快速模式和精细模式之间切换，却始终听不出明显差别，说明这条素材的品质已经到了上限。
- 你开始为了“更干净”而把人声或伴奏压到几乎听不见，这已经偏离了原本要解决的问题。
到这一步，更合理的选择是接受当前结果，或者回到源头：下次录制口播时，让人声和背景音乐在录制阶段就分开记录。这会比任何后期分离都更省事。
回到最初那条发闷的视频。判断顺序其实很清楚：先确认是音量问题还是混合问题，再决定这条素材值不值得分离，然后在本机导入、提取、选模式、混合试听，最后保存或清理。每一步都只做一个可观察的动作，做完再决定下一步。等你处理过两三条素材之后，这个顺序会变成一种习惯——遇到发闷的音频，不再反复拧音量，而是先想清楚问题出在哪一层。