# Vocal Remover

> 把歌曲去人聲做成卡拉 OK 伴奏，或抽出清唱人聲。AI 人聲分離模型直接在你的顯示卡上跑，先試聽 20 秒，滿意再把兩軌存成 WAV。免費，歌曲不會上傳。

- URL: https://bytescope.dev/zh-Hant/vocal-remover/
- Locale: zh-Hant · Also: [en](https://bytescope.dev/en/vocal-remover.md) · [ja](https://bytescope.dev/ja/vocal-remover.md)
- Runs: 檔案不會離開你的瀏覽器 — 全部在本機處理。
- Requires: A desktop browser with WebGPU (tested in Chrome) on a real graphics card with more than 4 GB of video memory (the model peaks around 3.5 GB). It does not run on the CPU: without WebGPU, or with a software renderer such as SwiftShader, the page explains why and does not start. The first run downloads a 175 MB model and a 26 MB engine once; phones are not supported.
- Updated: 2026-09-08

## What it does

去人聲就是把已經混好的立體聲歌曲，重新拆回不同的部分。丟 MP3、M4A、WAV、FLAC、OGG 都可以，丟影片檔就用它的音軌。你會拿到兩軌：只有歌聲的清唱（acapella），以及其他全部的聲音，也就是可以跟著唱的伴奏。唱歌的人拿伴奏練卡拉 OK 和翻唱，做音樂的人拿清唱當混音素材，玩樂器的人則可以聽清楚編曲很滿的段落裡到底在彈什麼。整個過程都在這個瀏覽器分頁裡：檔案在這裡解碼，模型在你自己的顯示卡上執行，什麼都不會上傳。

### 分離是怎麼做的

模型是 HTDemucs（Hybrid Transformer Demucs），由 Meta 的 Défossez 等人在 2022 年發表，採 MIT 授權。它同時從波形和頻譜圖兩個角度聽這首歌，再用 Transformer 讓兩邊互相參照。它其實會分出四個來源：鼓、貝斯、人聲和其他，這個頁面把鼓、貝斯和其他加回去，就是伴奏。歌曲會先轉成 44.1 kHz 立體聲，切成 7.8 秒、彼此重疊四分之一的片段，用 ONNX Runtime Web 一段一段送進顯示卡，最後再交叉淡化接回去，所以聽不出接縫。模型前後的頻譜計算放在 Web Worker 裡，就算是很長的歌，頁面也不會卡住。

### 先試聽，再分離整首

第一個按鈕會分離歌曲中間的 20 秒，通常會落在主歌或副歌，讓你在花一分鐘以上處理整首之前，先聽聽這首歌分得乾不乾淨。覺得可以就分離整首，進度會顯示處理了幾秒、速度是即時的幾倍、還要多久。用 GTX 1060 這種中階顯示卡，一首三分鐘的歌大約 45 秒。兩軌都存成 44.1 kHz、16 位元的立體聲 WAV，長度和原曲一模一樣。

### 效果大概會怎樣

分離不是完美的。人聲軌裡會殘留一點樂器，伴奏裡會殘留一點和聲或回音，尤其是和聲疊很多層、合唱，或是人聲加了很重的殘響、延遲、破音、自動修音的歌，模型分不太出哪些聲音屬於人聲。編曲比較單純的流行和搖滾分得最乾淨。有配樂的說話聲也能用，不過模型學的是歌曲，不是 Podcast。

### 你的電腦需要什麼

第一次會下載模型（約 175 MB）和推論引擎（約 26 MB，ONNX Runtime Web，來自 jsDelivr CDN），之後都留在這個瀏覽器的快取裡。模型只能透過 WebGPU 在真正的顯示卡上執行，峰值會用到約 3.5 GB 的顯示卡記憶體，4 GB 以下的顯示卡可能會失敗。沒有 CPU 模式：用處理器跑，時間是歌曲長度的好幾倍，還要吃掉將近 3 GB 記憶體。如果瀏覽器沒有 WebGPU，或是硬體加速被關掉、WebGPU 只能用軟體算圖，頁面會直接說明原因、不會開始處理，並附上 My Computer Specs 的連結讓你檢查。這個工具是給桌機和筆電用的，手機和平板不支援。

### 版權

分離出來的音軌還是原曲的一部分，版權仍然屬於原曲。只能拿來個人練習、研究或自己唱卡拉 OK；沒有權利人的同意，不要公開、散布，也不要上傳到串流平台或影音網站。

## Limits

Does not upload songs, does not separate perfectly (some instruments bleed into the vocal track and some backing vocals or reverb into the instrumental, especially with harmonies or heavy vocal effects), does not split drums, bass or other instruments yet, does not write MP3 (WAV only), and does not clear the copyright of the original song.

## FAQ

### 我的歌會被上傳嗎？

不會。檔案在這個分頁裡解碼，分離則是透過 WebGPU 在你自己的顯示卡上執行。唯一的下載是第一次要用的模型和推論引擎；你的音訊不會離開瀏覽器，也不會留下任何紀錄。

### 為什麼一定要顯示卡？

HTDemucs 是很大的神經網路，光是模型檔就約 175 MB，每 7.8 秒的音樂要做幾十億次運算。用 GTX 1060 加 WebGPU，三分鐘的歌大約 45 秒；用處理器跑，比歌曲本身還慢好幾倍，還用掉將近 3 GB 記憶體。與其做一個只會讓分頁卡死的 CPU 模式，頁面會直接告訴你缺了什麼，並帶你到 My Computer Specs 檢查瀏覽器和顯示卡。

### 為什麼手機跑不動？

模型峰值除了瀏覽器本身之外，還要約 3.5 GB 的顯示卡記憶體，超過手機和平板願意給網頁的量；第一次下載也有約 200 MB。這個頁面是給有真正顯示卡的桌機和筆電用的，在手機上它會說明原因，而不是開始一個會當掉或慢到不行的工作。

### 要下載多大？存在哪裡？

模型約 175 MB、推論引擎約 26 MB，都只下載一次。模型會先比對 SHA-256 指紋，再存進這個瀏覽器的快取，所以下一首歌不用再下載就能開始。在瀏覽器設定裡清除這個網站的資料就會刪掉。

### 為什麼伴奏裡還聽得到一點人聲？

因為混好的歌曲裡，各個部分本來就不是分開存的。殘響、和聲、效果器會把人聲抹到整個聲音裡，模型只能猜每個聲音有多少屬於歌手。和聲疊很多層、合唱，或是殘響、延遲、自動修音很重的人聲，殘留最多；編曲單純、主唱乾淨的歌分得最好。分離整首之前，先用 20 秒試聽判斷一下。

### 可以把鼓、貝斯和其他樂器也分開嗎？

現在還不行。模型內部其實已經分成鼓、貝斯、人聲和其他四軌，但這個版本只給你兩軌：人聲，以及把其他三軌加起來的伴奏。鼓、貝斯、其他各自分開，加上可以調整的混音台，排在下一個版本。

### 分離出來的音軌可以用在我的影片或作品裡嗎？

要有權利人的同意才行。分離不會改變歌曲屬於誰，清唱和伴奏都還是原本錄音的一部分。自己練習、研究、私下唱卡拉 OK 沒問題；沒有授權就不要公開、散布，也不要上傳到串流平台或影音網站。

## Related tools

- [BPM & Key Finder](https://bytescope.dev/zh-Hant/bpm-key-finder.md) — 唱或彈之前，先查出這首歌的速度和調性。
- [Audio to MIDI](https://bytescope.dev/zh-Hant/audio-to-midi.md) — 把分離出來的人聲旋律轉成 MIDI 檔。
- [Extract Audio from Video](https://bytescope.dev/zh-Hant/extract-audio.md) — 從影片裡把音軌抽出來存成音訊檔。