使用spleeter分离人声和伴奏

spleeter简介与安装

什么是spleeter？

Spleeter是一个使用Python编写并使用了Tensorflow的带有预训练模型的Deezer源分离库。

原文

Spleeter is Deezer source separation library with pretrained models written in Python and uses Tensorflow.

另一种理解：Spleeter是一个分离库！它基于Deezer源，带有预训练模型，用Python编写，并且使用了Tensorflow。

我看到这句话的时候，有两个不懂：

• 1、什么是Deezer？答：它是法国最大的音乐网站！这是官网，所以我的理解，Deezer源的意思是，它是使用Deezer这个网站里的音乐作为音源来训练这个库的；
• 2、什么是Tensorflow？答：它是一个开源的端到端的机器学习框架。主要使用C++和Python编写，所以前面说的训练也是因为它是基于机器学习的；

总结：Spleeter是一个用来分离音乐中的各种声音的工具，比如音乐中有人声、伴奏声，而伴奏声又有可能有鼓声、钢琴声、贝斯声等等，最常见的，就是把一首歌的人声和伴奏分离出两个音频文件，一个是伴奏，一个是干声！

安装Spleeter

由于spleeter是python写的，所以其实它就是一个python包，或者说是一个python模块，我们可以在Python包库里搜索到spleeter，所以我们安装的时候用python的包管理器pip来安装即可。

修改python包安装源(目前测试的清华大学的比较快)

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

升级一下pip

python -m pip install --upgrade pip

安装spleeter

pip install spleeter

pip安装的包在哪儿呢？我们可以在终端输入python然后回车，进入python执行环境，然后执行以下命令来查看，一般最后一行带有site-packages的就是python包的安装目录

>>> import sys
>>> print("\n".join(sys.path))
>>> exit()

比如，我的python包安装目录在这

/usr/local/lib/python3.9/site-packages

另一种查看spleeter安装到哪里的方法

# 查看已经安装了哪些包
pip list

# 查看包信息，包括安装在哪儿
pip show spleeter

windows安装注意事项

spleeter是依赖ffmpeg的，所以如果是windows，必须把ffmpeg加入到环境变量中(虽然它是ffmpeg.exe，但我们用的时候还是可以ffmpeg，不用.exe，当然加了也可以)，否则spleeter无法识别到ffmpeg，就无法使用。

因为如果单独使用ffmpeg，不加入环境变量也是能用的(只要路径对了就能用)，只是现在spleeter要用它，就必须要加入到环境变量中才能被spleeter识别到。

另外在windows中目前(2022-03-15)发现python3.8.10可以用，但更高版本的python无法安装spleeter，因为spleeter依赖于tensorflow，而目前(2022-03-15)tensorflow可能不支持更高的版本。

使用spleeter

准备要分离的音频

Spleeter最典型的就是从一首歌中分离出人声和伴奏，假如你想快速制作伴奏或者消除背景声，就可以用spleeter。

所以，首先我们要有一个音乐文件，如果你是视频，那么先用ffmpeg把音频从视频里分离出来

ffmpeg -i /path/to/input.mp4 -vn -c:a aac /path/to/audio.aac

由于mp4里的音频是aac编码，所以我就直接分离成aac文件了，当然你也可以分离为mp3

ffmpeg -i /path/to/input.mp4 -vn -c:a libmp3lame -aq 2 /path/to/audio.mp3

得到音频文件后，就可以开始使用spleeter对这个音频文件进行分离了。后来发现根本不需要先转音频，直接对视频进行分离，一样可以，它会自动抽里面的音频。

准备预训练模型

前面说过spleeter是带有预训练模型的，也就是说，开发者已经拿Deezer网站上的音乐对spleeter进行进训练，spleeter通过这个训练，已经“知道”哪些是人唱的声音、哪些是伴奏、哪些是钢琴声、哪些是贝斯声、哪些是鼓声。

Spleeter自带三种预训练模型：

• 1、人声&伴奏声分离模型(2 stems，分离出两个音轨)；
• 2、鼓声、贝斯声及其它声分离模型(4 stems，分离出4个音轨)；
• 3、鼓声、贝斯声、钢琴声及其它声分离模型(5 stems，分离出5个音轨)；

训练模型是一个文件夹里有很多文件，它的文件结构如下

pretrained_models
└── 2stems
    ├── checkpoint
    ├── model.data-00000-of-00001
    ├── model.index
    └── model.meta

使用spleeter时，必须保证该模型在当前目录下，如果当前目录下不存在，它一般会自动下载，但有时候可能因为网络问题下载失败，所以我建议事先下载好。

预训练模型下载地址：github release，下载好要解压出来。

注意：模型解压出来后，它文件夹名称只是2stems(或4stems/5stems)，也就是说，你要自己新建一个pretrained_models文件夹，并把这个2stems(或4stems/5stems)文件夹放到里面，而且必须保证pretrained_models文件夹在你执行命令的目录下，否则它无法检测到。

开始使用spleeter

在开始使用之前，记得当前文件夹下必须有预训练模型，具体请看准备预训练模型。

我们这里只举例使用第一个模型，也就是分离人声和伴奏，命令如下

# 单个文件
spleeter separate -o /path/to/output/dir/ -p spleeter:2stems /path/to/如愿.mp3

# 同时处理多个文件
spleeter separate -o /path/to/output/dir/ -p spleeter:2stems /path/to/如愿.mp3 /path/to/aaa.mp3 /path/to/bbb.mp3

-p spleeter:2stems中的-p表示指定参数(p是params的意思)，spleeter:2stems就是-p指定的参数，表示使用两音轨的预训练模型，如果你要使用4音轨或5音轨的，只要把数字2改成4或5就好了(当然你的预训练模型必须存在当前文件夹下)。

-o表示指定输出目录，o是output首字母。既然提到了o是输出，那就不得不提一下对应的输入，也就是-i(input)，我们在命令中没有看到-i，但是网上有些命令会在separate后加个-i，其实这是老版本才这么用的，新版本已经把这个参数去掉了，如果你加了-i会报错。

2stems是模型名称，具体请看：准备预训练模型。

使用spleeter的另一种写法

以上命名网上很多教程可能这么写

python -m spleeter separate -o /path/to/output/dir/ -p spleeter:2stems /path/to/如愿.mp3

由于spleeter本质上是python的一个模块，而pytnon -m xxx正是表示运行python的某个模块，所以这样的写法是没错的。

但由于我是macOS，macOS下pip直接把spleeter安装到了/usr/local/bin/spleeter里了，所以我们可以直接用spleeter命令(本质上它是一个python入口文件而不是二进制文件，你可以vim /usr/local/bin/spleeter打开看看，Linux应该也是这样的，不过我没试过不确定)，当然如果你用传统写法python -m spleeter也是可以的。

其实windows一般也可以直接写spleeter，如果报错，那就用python -m spleeter的方式就行(因为在windows直接写有时候可能会有bug，特别是用第三方程序调用它的时候)。

生成分离文件

以上命令，不管是哪种写法，执行完成后，它会在-o指定的目录下生成一个文件夹，文件夹的名称，就是你的音频文件的名称，里面包含两个文件

accompaniment.wav
vocals.wav

accompaniment就是伴奏的意思，而vocals是人声的意思。

分离音频后可能要做的事

删除指定时间段的人声(或背景音)

如果你只是想去除某些声音(比如在间奏时不小心咳了一下，或者说话了)，你可以用剪辑软件拼一下。

如下图(我是macOS，我用的ScreenFlow)，第一条轨道是spleeter分离出来的伴奏，第二条轨道是人声(即从视频中分离的那个歌声)

从上图可以看到，人声中被我截取了一段，因为那段不小声咳了一下。

替换视频中的声音

如果你想把分离出的伴奏再添加到视频里，要先转换成aac编码

# 转成aac
ffmpeg -i /path/to/input.wmv -c:a aac -b:a 320k /path/to/output.aac

# 这里顺便提一下怎么转mp3，但视频中的音频要用aac不要用mp3
ffmpeg -i /path/to/input.wmv -acodec libmp3lame -aq 2 /path/to/output.mp3

然后再合并到mp4中

ffmpeg -i /path/to/input.mp4 -i /path/to/output.aac -c copy -map 0:v:0 -map 1:a:0 /path/to/output.mp4

解释：

• 1、用两个-i分别输入一个视频和一个音频，-c copy表示原样复制视频和音频，不对它们进行处理。注意：还可以写成-c:v copy表示只复制视频(v:video)，-c:a copy表示只复制音频(a:audio)；
• 2、-map用于从输入文件中选择轨道给输出文件，比如-map 0:v:0，意思是选择第一个(0)输入文件中的视频轨(v)中的第一轨(0)，即：v左边的0表示第一个-i(程序中都是从0开始，所以编号0都代表第一，同理编号1代表第二)，v右边的0，代表视频轨中的第0轨(视频轨可以有多条，但一般都只有一条)；
• 3、由第2点，我们很容易知道-map 1:a:0就是选择第二个-i文件中的音频轨(a:audio)中的第0轨；
• 4、由前面2、3点可知，第一个-map选择的是输入文件中的视频轨，第二个-map选择的是输入文件中的音频轨，那么输出文件中的，第一条轨道就是视频轨(第一个-map)，第二条轨道就是音频轨(第二个-map)。

可能出现的报错

报错一：这个报错是因为你在separate后面加了-i，而-i是老版本才有的，新版本已经去掉，所以报错

Usage: __main__.py separate [OPTIONS] FILES...
Try '__main__.py separate --help' for help.

Error: Missing argument 'FILES...'.

---

报错二：这个报错是由于你当前目录下没有训练模型造成的

ValueError: Can't load save_path when it is None 

特别可能出现在它自动下载的时候，被你control+C中断了，再次执行它就不会自动下载而是报这个错，你把当前目录下的pretrained_models目录删掉再执行再次执行，应该就会再次自动下载了，实在不行可以自己去github release里手动下载解压出来(要滚动下面才有)。

但要注意，下载解压后，它文件夹名称只是2stems，也就是说，你要自己新建一个pretrained_models文件夹，并把这个2stems文件夹放到里面，而且必须保证pretrained_models文件夹在你执行命令的目录下，否则它无法检测到。

因为自动下载的目录结果是这样的

pretrained_models
└── 2stems
    ├── checkpoint
    ├── model.data-00000-of-00001
    ├── model.index
    └── model.meta

参考：
python语音特征提取之使用ffmpeg与spleeter实现视频人声过滤
在线分离网站：moises。