Demucs 是一个开源的音源分离模型，目标很直接：把一首混好的歌拆成几条独立音轨——鼓、贝斯、人声，以及剩下的其它伴奏。它是「模型加命令行」这种形态，想接进自己的脚本，比图形界面工具方便。

它由 Défossez 等人提出，经历过多次版本迭代，v4 是当前的主版本。有一件事需要先讲清楚：作者已经离开 Meta，原来的仓库不再维护，只处理重要修复——这一点对要不要把它放进长期项目很关键，本文末尾会展开。

它拆出什么

官方对它的描述是「当前先进的音乐音源分离模型」，目前能把鼓、贝斯与人声从其余伴奏中分离出来。也就是说输出的是四条音轨，而不是简单的「人声／伴奏」两分。

效果上的数字官方也给了：Hybrid Transformer Demucs 在 MUSDB HQ 测试集上的 SDR 为 9.00 dB；如果再叠加稀疏注意力与按源微调，可以做到 9.20 dB。这套模型是在 MUSDB HQ 数据集之外，又加了 800 首歌曲一起训练出来的。

模型怎么选

装好之后可选的模型不止一个，官方给了明确的取舍：默认模型是 htdemucs；想要更好一点的效果可以用微调版 htdemucs_ft，代价是分离耗时大约是默认模型的四倍。另有一个实验性的六源版本，会额外拆出钢琴与吉他——但官方自己说了，钢琴这一路目前效果不算好。

另外两个模型算是「历史战绩」型选手：mdx 曾在 MDX 挑战赛的 A 轨拿到第一，mdx_extra 在 B 轨排名第二；两者还各有一个量化版本，体积更小、质量可能略降。

装起来与基本用法

安装只要一条 pip 命令，要求 Python 3.8 或更高版本。官方同时提供了 conda 环境文件与容器镜像两种方式，适合需要复现环境、或者要跑在服务器上的场景。

最常用的调用方式是把音频文件路径交给它，跑完在输出目录里拿结果：以模型名命名的目录下再按曲名分目录，里面是四个 44.1kHz 的立体声文件——鼓、贝斯、其它、人声。输出默认是 wav，也可以用参数改精度，或者直接存成 mp3。

如果只想要人声、不要其它音轨，可以打开只分离人声的模式，也就是常说的卡拉OK 用法。官方提醒这个模式并不是「只算人声」——它先把整轨全部分离再混合，所以既不会更快，也不会更省内存。

显存、速度与调用方式

显存方面官方给的数字是：用 GPU 至少要 3GB，但按默认参数跑大约需要 7GB。显存不够有两条退路——调小分段长度，或者干脆切到 CPU 计算。用 CPU 的代价是时间，官方给出的经验值是处理时间约为音频时长的 1.5 倍。

除了命令行，它也能直接从 Python 程序里调用：把命令行参数原样传给接口即可，等于把分离这一步嵌进自己的批处理流程。

维护状态与许可

这一节需要如实说明：作者在仓库首页写明自己已不再就职于 Meta，因此原仓库不再维护，只处理重要的问题修复，功能请求也不再受理，同时把工作转移到了自己新建的分支仓库。

许可上，Demucs 以 MIT 许可证开源，宽松度足够放进商业流程，只是要接受「上游基本冻结」这个现实：选它意味着你用的是一套已经稳定的实现，而不是一个还在快速演进的项目。

它适合谁

如果你的需求是「把一批音频按四条音轨拆开，并且希望这一步能写进脚本」，Demucs 的形态比图形界面工具更顺手：装一次、调用一次、输出固定的目录结构，剩下的交给自己的流程编排。

反过来，如果你只是想偶尔给一首歌做伴奏，或者希望点几下鼠标就能试遍各种模型组合，那带界面的工具会更省心。Demucs 的价值不在门槛低，而在可控与可重复。

音源分离这几年从「技巧活」变成了「模型活」：真正决定效果的，已经从你会不会调参，变成你选的模型在什么数据上训练过。于是工具选型的重点，也跟着从功能表移到了模型清单与维护状态上。