去人声后仍有残留？按症状排查分离问题
首先确认残留的是什么：是容易辨认的歌词、人声尾音、伴唱和声，还是乐器损坏。它们需要不同的处理方法。更贵的模式并不自动解决这四种情况。
1. 定位问题，按症状选择下一步
写下时间戳和描述，比如“副歌前的最后一个字还在”或“歌手进场时镲声有晃动”。听一下原曲对应片段。如果它已经失真，不要把分离结果当作源文件干净来评判。
保持舒适的听音音量固定。为了找残留物而调高音量可能会让一个原本合适的练习曲听起来不可用，同时也会让你忽视音乐本身的损伤。
2. 将症状与下一个有用的测试对应起来
| 症状 | 可能的解释 | 尝试下一步 |
|---|---|---|
| 在 伴奏 中歌词可以听懂 | 一些人声被分配到了伴奏上。 | 将同一段与另一种模型比较；也检查伴奏损伤。 |
| 一段旋律结束后有幽灵般的尾音 | 效果或环境声没有完全跟随主声部。 | 检查这是否重要。双输出分离并不是专门的去混响控制。 |
| 和声还在但主声更安静 | 分层人声没有按预期被分离。 | 决定你是否需要移除所有人声，还是只处理主声/伴唱任务。 |
| 鼓或吉他听起来发湿或柔和 | 随着人声去除，背音估算也发生了变化。 | 比较模型，而不仅仅是剩余的人声音量。 |
| 人声 中的音节消失了 | 有用的人声信息可能被分配到其他地方。 | 检查 伴奏 在那个时刻的情况，然后从原始开始重试。 |
| 重复多次会让情况更糟。 | 输入的已经是一个被修改过的估算。 | 回到原始版本，每次只更改一个设置。 |
3. 要知道你在比较的是不同的方法。
基于中心的降噪是利用立体声通道之间的关系。Audacity 记录这类操作时是针对居中声像的内容。这与通过神经网络模型从混音中估算人声的方法不同。
单声道混音或分布较宽的人声可能使立体声相位抵消失效，但这不代表所有 AI 模型都会以相同方式失败。如果相位抵消同时去掉了乐器，也不能据此认定它完美提取了人声。比较结果时应注明所用方法。
4. 有计划地重试，保留损伤较小的结果
- 从原始上传开始，而不是下载的伴奏。
- 对比已完成的结果时，使用相同时间点和接近的音量，记录模型、模式及希望保留的细节。更换模型需要新建任务，会重新消耗次数或积分，并非免费生成试听片段。
- 比较默认 Kim 与 标准 模式下的一个可选方案，保持片段不变。
- 当结果达到任务要求时停止。整首歌运行一遍并不意味着同样失败的片段会变干净。
5. 优先选择损伤最小的可用结果
练习时，少量的人声残留可能比节奏部分不稳更好。对于人声编辑来说，漏掉一个词比片段间低音量的音乐更糟。保持标准与工作相关。
在线模型涵盖人声／伴奏、四轨或六轨、乐器提取、主唱／伴唱和去混响，可用状态见选择器。输出属于估算，不提供按人名识别说话者、通用噪声修复或任意声音的保证还原。