🔬 H3 BGM 去除测试 — Demucs 4-Stem 分离
MiniMax H3 输出音频 → Demucs htdemucs 分离 vocals/drums/bass/other → 重建(vocals+other, 去drums+bass)
📋 测试方案
- 工具: Demucs v4.1.0 (HTDemucs), 本机 RTX 3090 GPU 加速
- 分离模式: 4-stem (vocals / drums / bass / other)
- BGM 去除逻辑: 丢弃 drums + bass stem (BGM 组成), 保留 vocals (对白) + other (环境音)
- 速度: 4-8 秒片段, 分离耗时 2-12 秒 (GPU)
- 关键问题: drums stem 同时包含 BGM 节奏 和 真实打击音效 (脚步/碰撞) — 无法区分
H3 ref2va 输出, 无对白, 含明显BGM节奏
📊 原始=-30.9dB | 人声=-87.3dB(无) | 鼓点=-35.1dB(BGM) | 低音=-56.3dB | 其他=-33.5dB
💡 drums stem 抓住了BGM节奏 → 去除后保留环境音
🔴 原始 (含BGM)
🟢 去BGM后 (vocals+other)
H3 ref2va 输出, 有对白+环境音, BGM极少
📊 原始=-18.7dB | 人声=-18.7dB(完美) | 鼓点=-68.0dB(无) | 低音=-66.3dB | 其他=-56.9dB
💡 无BGM片段, Demucs 对对白分离完美
🔴 原始 (含BGM)
🟢 去BGM后 (vocals+other)
H3 ref2va 输出, 2张参考图, BGM明显但音频整体偏小
📊 原始=-47.5dB | 人声=-93.9dB(无) | 鼓点=-47.5dB(BGM) | 低音=-91.8dB | 其他=-82.5dB
💡 整体音量低(2参考图效应), drums=BGM主体
🔴 原始 (含BGM)
🟢 去BGM后 (vocals+other)
H3 ref2va 输出, 含战斗BGM
📊 原始=-47.8dB | 人声=-76.1dB(无) | 鼓点=-47.8dB(BGM) | 低音=-85.2dB | 其他=-75.2dB
💡 几乎全是 drums(BGM), 环境音被H3压低
🔴 原始 (含BGM)
🟢 去BGM后 (vocals+other)
🎯 结论
- 对白分离: ⭐⭐⭐⭐⭐ Demucs 对人声分离效果极佳, vocals stem 几乎无损
- BGM vs 环境音: ⭐⭐⭐ Demucs 的 drums stem 会同时抓走 BGM 节奏和真实打击音效(脚步/碰撞)
- BGM 残留: ⭐⭐⭐ BGM 的旋律部分(非节奏)会残留在 other stem 中
- 最佳场景: 当 BGM 以鼓点/低音为主(战斗场景)时, 去除效果最好
- 最差场景: 当 BGM 是氛围垫底/弦乐时, 会残留在 other stem