去人聲後仍有殘留？按症狀排查分離問題
首先確認殘留的是什麼：是容易辨認的歌詞、人聲尾音、伴唱和聲，還是樂器損壞。它們需要不同的處理方法。更貴的模式並不自動解決這四種情況。
1. 找到可重複的時刻
寫下時間戳和描述，比如“副歌前的最後一個字還在”或“歌手進場時鑔聲有晃動”。聽一下原曲對應片段。如果它已經失真，不要把分離結果當作原始檔乾淨來評判。
保持舒適的聽音音量固定。為了找殘留物而調高音量可能會讓一個原本合適的練習曲聽起來不可用，同時也會讓你忽視音樂本身的損傷。
2. 將症狀與下一個有用的測試對應起來
| 症狀 | 可能的解釋 | 嘗試下一步 |
|---|---|---|
| 在 伴奏 中歌詞可以聽懂 | 一些人聲被分配到了伴奏上。 | 將同一段與另一種模型比較；也檢查伴奏損傷。 |
| 一段旋律結束後有幽靈般的尾音 | 效果或環境聲沒有完全跟隨主聲部。 | 檢查這是否重要。雙輸出分離並不是專門的去混響控制。 |
| 和聲還在但主聲更安靜 | 分層人聲沒有按預期被分離。 | 決定你是否需要移除所有人聲，還是隻處理主聲/伴唱任務。 |
| 鼓或吉他聽起來發溼或柔和 | 隨著人聲去除，背音估算也發生了變化。 | 比較模型，而不僅僅是剩餘的人聲音量。 |
| 人聲 中的音節消失了 | 有用的人聲資訊可能被分配到其他地方。 | 檢查 伴奏 在那個時刻的情況，然後從原始開始重試。 |
| 重複多次會讓情況更糟。 | 輸入的已經是一個被修改過的估算。 | 回到原始版本，每次只更改一個設定。 |
3. 要知道你在比較的是不同的方法。
基於中心的降噪是利用立體聲通道之間的關係。Audacity 記錄這類操作時是針對居中聲像的內容。這與透過神經網路模型從混音中估算人聲的方法不同。
單聲道混音或分佈較寬的人聲可能使立體聲相位抵消失效，但這不代表所有 AI 模型都會以相同方式失敗。如果相位抵消同時去掉了樂器，也不能據此認定它完美提取了人聲。比較結果時應註明所用方法。
4. 使用有界重試計劃
- 從原始上傳開始，而不是下載的伴奏。
- 比較已完成的結果時，使用相同時間點與接近的音量，記錄模型、模式及想保留的細節。更換模型須建立新任務，會再次使用次數或點數，不會免費產生試聽片段。
- 比較預設 Kim 與 標準 模式下的一個可選方案，保持片段不變。
- 當結果達到任務要求時停止。整首歌執行一遍並不意味著同樣失敗的片段會變乾淨。
5. 優先選擇損傷最小的可用結果
練習時，少量的人聲殘留可能比節奏部分不穩更好。對於人聲編輯來說，漏掉一個詞比片段間低音量的音樂更糟。保持標準與工作相關。
線上模型涵蓋人聲／伴奏、四軌或六軌、樂器擷取、主唱／和聲及去混響，可用狀態以選擇器為準。輸出是估算結果，不提供依姓名識別說話者、通用降噪或保證還原任意聲音。