AI唱歌（ ） 之 UVR5使用教程

# 第①部分：（红色）

Select Input：导入要处理的音频，可以选择多个音频

Select Output：选择输出音频的目录

# 第②部分：（黄色）

**选择输出音频的格式：**

wav：无损音频，没有被压缩，体积大

flac：无损音频，无损压缩，体积适中

mp3：有损音频，有损压缩，体积小

# 第③部分：（绿色）

## **CHOOSE PROCESS METHOD：选择处理音频的算法**

VR Architecture：使用幅度频谱图进行音源分离。

MDX-Net：采用混合频谱网络进行音源分离。

Demucs：利用混合频谱网络进行音源分离。

Ensemble Mode：将多个模型和网络的结果组合以获得最佳结果。

Audio Tools：提供额外的实用工具，以增加便利性。

**GPU Conversion：使用显卡加速处理（强烈建议勾选，CPU计算的速度非常慢）**

**Sample Mode (??s) ：只处理??秒的音频，可以预览结果**

### **如果处理算法选择****VR Architecture**

WINDOW SIZE：选择窗口大小以平衡质量和速度

1024 - 快速但质量较低。

512 - 中等速度和质量。

==320 - 需要更长时间，但可能提供更好的质量。（推荐，实际上慢不了多少）==

AGGRESSION SETTING：调整主音轨提取的强度

可调范围是[-100, 100]，较大的值意味着更深的提取。

通常，对于人声和器乐，将其设置为5。

超过5的值可能会使非人声模型的声音变得混浊。

#### 下面的选项会随着不同的模型发生变化

Vocals Only：只提取人声

Instrumental Only：只提取伴奏

No Echo Only：只输出去掉混响的音频

Echo Only：只输出混响部分的音频

No Noise Only：只输出降噪后的音频

Noise Only：只输出噪声部分的音频

### **如果处理算法选择MDX-Net**

SEGMENT SIZE：调整切片大小

较小的大小消耗较少的资源。

较大的大小消耗更多资源，但可能提供更好的结果。

==（默认的256即可，长切片对效果的提升微乎其微）==

OVERLAP：控制预测窗口之间的重叠量

较高的值可能会提供更好的结果，但会导致更长的处理时间。

==（默认即可，实测没啥提升）==

下面的选项会随着不同的模型发生变化

Vocals Only：只提取人声

Instrumental Only：只提取伴奏

No Reverb Only：只输出去掉混响的音频

Reverb Only：只输出混响部分的音频

### **如果处理算法选择Demucs**

CHOOSE STEM(s)：选择音轨

Vocals：人声，Bass：贝斯，Drums：鼓，Other：其他乐器

Guitar：吉他，Piano，钢琴（这两项是v4 | htdemucs_6s模型独占)

SEGMENT：调整切片大小

较小的大小消耗较少的资源。

较大的大小消耗更多资源，但可能提供更好的结果。

（默认即可，长切片对效果的提升微乎其微）

### **如果处理算法选择Ensemble Mode**

MAIN STEM PAIR：选择合奏的音轨类型

Vocals/Instrumental：主要音轨：人声，次要音轨：伴奏

Bass/No Bass：主要音轨：贝斯，次要音轨：没有贝斯

Drums/No Drums：主要音轨：鼓，次要音轨：没有鼓

Other/No Other：主要音轨：其他，次要音轨：没有其他

4 Stem Ensemble：汇集所有4音轨Demucs模型并合并所有输出。

Multi-stem Ensemble："丛林合奏"汇集所有模型并合并相关的输出。（不是很懂QAQ）

ENSEMBLE ALGORITHM：选择用于生成最终输出的合奏算法

例如：Max Spec/Min Spec，斜杠前面的对主要音轨（Primary stem）生效,斜杠后面的对次要音轨（Secondary stem）生效，对于“4音轨合奏（4 Stem Ensemble）”选项，只会显示一个算法。

详细解释：

⚪Max Spec：

产生可能的最高输出。

适用于人声音轨，以获得更丰满的声音，但可能会引入不希望的伪影。

适用于器乐音轨，但请避免在合奏中使用VR Arch模型。

⚪Min Spec：

产生可能的最低输出。

适用于器乐音轨，以获得更清晰的结果。可能会导致“浑浊”的声音。

⚪Average：

将所有结果取平均以生成最终输出。

# 第④部分：（蓝色）

小扳手🔧：打开设置

Start Processing：开始处理

小方块■：停止处理

---
# 使用
下载完模型后开始处理音频，select input选择输入文件，select output选择输出文件夹，输出格式选WAV，记得点上**GPU Conversion**（使用GPU），首先选择**MDX-Net**类型使用**Bs-Roformer**-Viperx-1297（目前最好的提取人声的模型，又快又好）提取人声。处理完的音频（vocals）的是人声。然后把人声再输入去混响（下面三选一）：**VR Architecture**：UVR-De-Echo-**Normal**（轻度混响）、UVR-De-Echo-**Aggressive**（重度混响）、UVR-De-Echo-**Dereverb**（变态混响），最后用UVR-**DeNoise**降噪一下。这套流程弄完会比自带的UVR5在人声提取方面好一点。