很多做翻唱、混音或视频配乐的朋友，都会遇到一个尴尬情境：网上找到的伴奏要么只有纯鼓点，要么原声残留太明显，尤其当你想保留歌曲里那几句很漂亮的背景和声时，普通“一键去人声”的软件几乎无能为力。最近在为 Epik High、宋旻浩（MINO）、Simon Dominic 合作曲目《No, Thank You》做“带和声伴奏”时，我踩了一圈坑，最后用开源音源分离工具配合轨道叠加，才得到了比较干净的版本。
这篇文章就把完整思路和实操流程整理出来，包括原理拆解、工具选择、两段式/多轨分离的区别、Audacity 后期处理，以及常见问题和规避方案。无论你是想给韩语说唱歌曲做伴奏，还是处理其他中英文歌曲，这套流程都通用。
1. 背景与核心概念
1.1 什么是“带和声伴奏”
一首完整的歌曲在混音成品里通常由三类声音构成：
- 主唱（Lead Vocal）：承担核心旋律或说唱主体。
- 和声（Backing Vocal / Ad-lib）：比主唱更靠后、音量更小，通常用于衬托情绪，重复副歌或语气词。
- 配乐（Instrumental）：鼓、贝斯、键盘、合成器、采样等所有非人声层。
“带和声伴奏”不是传统意义上的纯伴奏（Instrumental），而是在去掉主唱的同时，把背景和声、语气词、即兴哼唱等元素保留下来。对《No, Thank You》这样的说唱+旋律融合曲目来说，和声经常出现在副歌后一句，或者主歌与副歌的衔接处，去掉主唱后如果连和声也一并删除，翻唱者会少很多表现力。
早期处理方式是用 EQ 削掉人声频段，但会明显损坏伴奏音色。后来出现了基于相位抵消的“人声消除”方案，也必须依赖原始立体声信息。这两种方式对现代说唱歌曲效果都不好，因为制作人大量使用单声道采样、侧链压缩和自动化音量，人声和伴奏在频段上高度重叠。
1.2 为什么普通分离工具不够用
很多免费在线工具提供“人声分离 / AI 去人声”，核心做法只有两轨输出：
- vocals.wav（人声）
- instrumental.wav（伴奏）
两轨模式解决不了“保留和声”的需求，因为所有带音高频率的人声都会进同一个 vocals 文件。副歌和声、语气“Yeah”“Get it”都会和主唱绑在一起。强行把 vocals 重新叠加回 instrumental，只会让主唱也跟着回来。
要制作真正可用的带和声伴奏，需要多轨分离思路：
- 先把伴奏从原曲中分离出来。
- 再把人声轨与伴奏进行二次分离，或者使用支持多源分离的模型。
- 最后把人声轨中“只包含和声”的部分挑选出来，叠加到伴奏上。
这也是传统“二次元音”或“Mid-Side 处理”做不到的，必须依赖深度学习音频源分离模型。
1.3 适用场景
做“带和声伴奏”不是让你拿去商业发布，主要用于以下场景：
- 哔哩哔哩/YouTube 翻唱视频、翻唱 demo。
- 学习歌曲结构时，只听伴奏与和声。
- 混音练习：把手上的曲目当作分轨素材来练习动态、EQ、混响。
- 现场演出、Party 串场、非商业直播等。
基于这些需求，本文全程使用开源和免费工具，不涉及付费订阅，也不需要专业录音棚设备。
2. 环境准备与版本说明
2.1 硬件要求
“带和声伴奏”制作过程主要吃 CPU 和内存，对显卡没有硬性要求。实际操作时：
- CPU 建议 4 核以上，长时间运行音源分离模型时，8 核更稳定。
- 内存建议至少 8GB，推荐 16GB。处理 3-5 分钟的音乐工程，峰值内存可能达到 4-8GB。
- 磁盘预留 10GB 以上，因为分离后会输出多个 WAV 文件，单个文件可能超过 100MB。
2.2 软件与工具链
本文所使用的工具均免费开源（或提供免费版本），你可以在自己的电脑上复现。
| 工具 | 用途 | 备注 |
|---|---|---|
| UVR5（Ultimate Vocal Remover 5） | 桌面端 AI 音频分离 | 可视化界面，适合新手 |
| Demucs | 命令行音源分离 | Meta 开源，Python 安装 |
| Audacity | 音频编辑、混音、降噪 | 完全免费 |
| FFmpeg | 音频格式转换 | 部分工具底层依赖 |
| 原曲 WAV/MP3 文件 | 素材 | 务必使用合法渠道获得 |
2.3 安装 Demucs
如果你不习惯桌面软件，可以直接使用 Demucs。
Demucs 是 Facebook Research 开源的音乐源分离系统，支持人声、鼓、贝斯、其他四轨分离。安装方法如下：
# 安装依赖（Windows / macOS / Linux 都适用） pip install demucs # 方式一：直接分离出四轨（vocals / drums / bass / other） demucs "No Thank You.opus" # 方式二：只分离人声和伴奏两轨 demucs --two-stems=vocals "No Thank You.opus"如果你没有 Python 环境，可以用 UVR5 桌面版，它已经把 Demucs、MDX-Net、VR Architecture 等模型封装成了可视化按钮，不需要手写命令行。
版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。运行前请先查看官方文档确认当前版本命令是否有变化。
2.4 安装 Audacity
Audacity 可以直接从官网下载安装包，安装后建议把音频质量设置为 24-bit / 48kHz，这是目前流媒体和视频制作常用的工程标准。
打开 Audacity 后，先修改音频设置：
编辑 -> 偏好设置 -> 音频设置 采样率：48000 Hz 采样格式：24-bit 或 32-bit float这种做法可以减少分离后文件反复压缩导致的音质损失。
3. 核心原理拆解：音频源分离
3.1 深度学习分离的基本思路
传统人声分离算法处理的是“频率”。人声集中在 200Hz-8kHz 之间，伴奏也在这个范围里，所以只要歌曲编曲复杂一些，EQ 切除立刻失效。
现代 AI 分离工具把歌曲转换成“语谱图”（spectrogram），即把时间-频率-能量关系用二维图像表示，再用深度神经网络辨识“哪些像素属于人声，哪些属于乐器”。网络结构以 U-Net 为主，配合混合时间-频率域损失函数，使得分离出的音轨相位更加自然。
3.2 为什么说唱歌曲分离难度更大
说唱歌曲有大量语言节奏型内容：
- 人声常在快速咬字中出现齿音、气流声，这些和 cymbal（镲片）在频段上冲突。
- 副歌时的“和声堆叠”经常是 2-4 轨人声同时出现，彼此之间在时间上重叠。
- 现代 Hip-Hop 制作经常使用人声采样当作节奏元素，分离模型容易把“人声采样”错误识别为“伴奏”。
所以制作说唱歌曲的和声伴奏时，不建议直接对成品做一次二轨分离，而是分两次操作，第一次分离人声/伴奏，第二次针对人声轨做更细分离。
3.3 两种技术路线对比
| 路线 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|
| 两段式：先 vocals/instrumental，再二次处理 vocals | 可以保留和声的位置 | 二次处理会损失音质 | 普通翻唱，个人学习 |
| 多模型混合：UVR5 中多次跑不同模型，再手动组合 | 控制力强，质量高 | 操作步骤多，耗时 | 追求质量、对歌曲结构熟悉 |
| 直接使用官方 Instrumental | 音质最好 | 很多歌没有官方伴奏，版权风险高 | 制作正规翻唱 |
实际项目中，组合方案最常用。先用 MDX-Net 模型把完整歌曲分离成 vocals 与 instrumental，再用 VR Architecture 模型或 Demucs 对 vocals 轨进一步分成“主唱”和“次要人声”，最后手动挑选和声片段叠加。
3.4 人声音轨二次分离的效果边界
需要理解：模型并不能完美区分“主唱 vs 和声”，它们通常会依据音色、声像、响度做判断。
- 如果你的目标是“保留女声和声、去掉男声主唱”，成功率较高，因为音色差异大。
- 如果你的目标是“保留副歌和声、去掉主唱说唱”，同样比较好处理，因为说唱与旋律和声音色差异明显。
- 如果主唱与和声是同一个人、在相同音高、同一声像位置，模型几乎无法区分，最终只能靠手动裁剪。
《No, Thank You》中宋旻浩的说唱段落与 Epik High 成员 Tablo 的旋律和声差异较大，所以做二次分离效果相对理想，这也是你能从成品伴奏中保住那些哼唱段落的原因。
4. 实战：制作《No, Thank You》带和声伴奏
下面进入完整实操流程。我会以“UVR5 做深度分离 + Audacity 组合”为主线，并给出 Demucs 命令作为替代方案。
4.1 准备素材并整理工程目录
先把原曲文件转换成高音质 WAV，避免反复压缩 MP3。可以用 FFmpeg：
ffmpeg -i "no-thank-you.opus" -ar 48000 -ac 2 -sample_fmt s16 "no-thank-you.wav"建立目录结构，方便管理多个版本：
E:\NoThankYou\ ├─source\ # 原始 WAV │ └─no-thank-you.wav ├─work\ # 中间文件 │ ├─step1_stems\ # 第一次分离结果 │ └─step2_vocal_parts\ # 第二次分离结果 ├─output\ # 最终伴奏 │ └─No_Thank_You_Backing_with_Harmony.wav └─notes.txt # 记录分离参数这里需要注意，原曲文件如果来自流媒体，可能本身是 Opus 格式，采样率 44.1kHz，转换成 48kHz 会重新采样。如果没有特别需求，也可以保持原始采样率，以实际工程需要为准。
4.2 第一次分离：人声与伴奏
使用 UVR5：
- 打开 UVR5，选择分离模型，建议选
MDX-Net Main或UVR-MDX-NET Inst Main。 - 加载
source\no-thank-you.wav。 - 输出路径选择
work\step1_stems。 - 分离模式选择
Vocals / Instrumental。 - 点击 Start，等待处理完成。
如果你使用命令行 Demucs，执行：
demucs --two-stems=vocals -o work/step1_stems source/no-thank-you.wav输出文件：
work/step1_stems/htdemucs_ft/no-thank-you/vocals.wav work/step1_stems/htdemucs_ft/no-thank-you/no_vocals.wav此时no_vocals.wav是纯伴奏，但你如果直接使用它，会丢失所有和声。接下来处理 vocals。
4.3 第二次分离：从人声轨中提取和声
在 UVR5 中，对人声轨vocals.wav再跑一次分离。这次模型要选择更侧重“人声层分解”的模型。常见可选：
Kim_Vocal_1/Kim_Vocal_2UVR-MDX-NET Voc_FT- 或者
Demucs --two-stems=other
以 Demucs 为例：
demucs --two-stems=vocals -o work/step2_vocal_parts work/step1_stems/htdemucs_ft/no-thank-you/vocals.wav但这一步的逻辑有些特殊：我们要的不是人声，而是“人声轨中的非主唱部分”。如果用 Demucs 的 two-stems，输出的是 vocals 和 no_vocals，而 no_vocals 在这里其实是被模型认为“不是主要人声”的部分，包括弱和声、尾部混响、小声场细节。放在工作路径中就是：
work/step2_vocal_parts/htdemucs_ft/vocals/vocals.wav work/step2_vocal_parts/htdemucs_ft/vocals/no_vocals.wav第二个文件的“no_vocals”不是真正的伴奏，而是原人声轨中的非中心成分。试验后你可能会发现它仍然有一些说唱的残响，但和声也保留在这里面。
使用 UVR5 时，更直接的做法是：
- 加载
vocals.wav。 - 选择模型
MDX-Net Vocal Main。 - 输出类型设置为
Vocals / Instrumental。 - 运行完成后，输出的
Instrumental.wav就是“去掉主唱后的剩余人声”。
4.4 检查与手动修正和声片段
光靠自动分离还不够。建议把第二次分离得到的no_vocals.wav（或Instrumental.wav）导入 Audacity，与纯伴奏放在同一时间轴上进行试听对比。
在 Audacity 中操作：
- 轨道一：
no_vocals.wav（和声层） - 轨道二：
no_vocals.wav（纯伴奏，用于对比） - 轨道三：原曲
发现哪些片段要保留、哪些片段要去除时，可以直接在“和声层”上局部选中，使用效果菜单里的“静音”或删除。例如：某处说唱主唱的尾部残响混进和声层，就把那 0.5 秒静音。
手动修正时建议同时打开频谱图（点击轨道控制区左侧的倒三角，选择“频谱图（Spectrogram）”），这样可以看到人声嘶声和乐器噪声的位置差异。
4.5 组合：把和声层重新叠到伴奏上
当和声层已经干净，可以开始组合。
在 Audacity 中拖动和声层与伴奏层对齐。由于都是同一次分离出来的文件，时间通常已经对齐，但如果你中途做过裁剪，需要手动对齐到波形峰值。常用做法：
- 选择原曲中的某个重音（比如副歌第一拍鼓点）。
- 在伴奏层找到同样的鼓点。
- 用“移动”工具让两者重合。
对齐后，将和声层复制到伴奏工程中，然后调整音量：
- 伴奏层：保持 0dB 或 -3dB。
- 和声层：先放到 -6dB 试听，再根据副歌强度微调。
- 如果希望和声更靠后、更“贴”在伴奏里，可以给和声层加少量混响。
导出前，把双轨道合并为单声道还是保留立体声，取决于你的使用场景。如果是翻唱视频，建议保留立体声，但这意味着和声层也保留立体声信息。如果代码里的原曲声像本身偏中间，导出时可以选择“Split Stereo”再统一声像，避免伪立体声。
导出设置：
文件 -> 导出 -> 导出为 WAV 格式：WAV (Microsoft) 编码：Signed 16-bit PCM 或 24-bit PCM如果你导出为 MP3，Audacity 会提示你安装 LAME 编码器，请按提示完成安装。
4.6 音质优化：EQ、压缩与响度
和声层经过两次模型分离后，通常会有频段缺失或“空洞感”。常见优化方式：
- 给和声层加一个高通滤波，切掉 120Hz 以下的低频噪声。
- 在 4kHz-6kHz 区间做少量增益，恢复存在的空气感。
- 给和声层加一个压缩器，比如 Audacity 内置的“Compressor”，阈值为 -20dB，比率 2:1，让和声尾音更稳定。
这些操作不是必须的，如果你的用途是学习或简单翻唱，只需要保证音量平衡即可。
4.7 替代流程：一次跑多个模型再横向对比
如果你有时间，可以使用 UVR5 同时跑 2-3 个不同模型，然后比较哪一个模型在和声保真度上表现更好。
我在处理《No, Thank You》时的参数记录如下（仅作参考）：
| 模型 | 分离目标 | 和声保留质量 | 伴奏损伤程度 |
|---|---|---|---|
| MDX-Net Main | vocals/instrumental | 中等 | 低 |
| VR Architecture | vocals/instrumental | 高 | 中 |
| Demucs htdemucs_ft | 四轨分离 | 较高 | 低 |
| UVR-MDX-NET Voc_FT | vocals/instrumental | 高 | 中等 |
建议最终组合使用：
- 第一次分离用
MDX-Net Main，得到扎实的伴奏轨。 - 第二次分离用
UVR-MDX-NET Voc_FT，提取和声。 - 手动处理后，叠加到伴奏轨。
5. 常见问题与排查思路
5.1 分离后的伴奏有“金属声”或“音乐盒感”
这是最常见的问题，通常发生在传统人声消除算法中。如果你发现伴奏听起来空洞，且带有明显类似“双吉他”的快速抖动声，说明伴奏轨中丢失了太多中频信息。
解决办法：
- 重新使用深度分离模型，不要用简单的人声消除功能。
- 检查第一次分离模型是否选成了
karaoke或vocal-remover。 - 如果是在 UVR5 中操作，尝试更换模型并重复分离。
| 问题现象 | 常见原因 | 解决思路 |
|---|---|---|
| 伴奏有金属声 | 使用了相位抵消算法 | 改用深度学习模型 |
| 伴奏里面有微弱的原曲人声 | 第一次分离不彻底 | 提高模型大小，或二次分离人声轨 |
| 和声层混有主唱 | 二次分离不彻底 | 手动静音对应片段，或换独立模型 |
| 人声层和伴奏对不齐 | 文件采样率或起始时间不同 | 在 Audacity 中手动对齐波形 |
| 导出后音量太小 | 整体响度不足 | 检查左右声道平衡，做响度归一化 |
5.2 为什么和声层听起来“又空又闷”
因为模型在二次分离时，把和声中的高频泛音误判为主唱的一部分，导致保留下来的和声缺少 8kHz 以上的光泽感。可以给和声层加一个高架 EQ，在 8kHz 位置上提升 2-4dB；如果控制不好，也可以使用 Audacity 的“Filter Curve EQ”进行柔和增益。
5.3 处理过程中出现内存不足
Demucs 在分离长音频时，如果 CPU 内存不足，会直接崩溃。可以尝试：
demucs --two-stems=vocals --segment 10 source/no-thank-you.wav--segment参数控制模型处理时的分块长度，默认可能是 20 秒，调小到 10 秒可以降低内存占用，但会增加处理时间。
5.4 分离后的“人声轨”带有时间偏移
这个问题在 UVR5 的某些模型上偶尔出现，原因是模型在输出时对边缘进行了补零操作。解决办法是在 Audacity 中先对比原曲和分离轨道的波形，找到明显鼓点或人声起点，使用“时间平移工具”调整偏移量。
5.5 检查清单
如果你做完后不确定效果是否达标，可以用下面清单逐项检查：
- 主唱说唱是否完全消除或明显减弱。
- 副歌和声是否保留在保留层中。
- 伴奏低频是否结实，鼓点和贝斯是否清晰。
- 左右声道是否有明显相位抵消。
- 播放时是否有持续的背景电流声或数字爆音。
6. 最佳实践与工程建议
6.1 版权与使用边界
最重要的一条：不要将制作出的伴奏用于商业发行，也不要在各大音乐平台上未经授权上传。
AI 音源分离本身并不违法，但分发翻唱版伴奏、去除原曲人声后的作品，通常涉及录音版权和词曲版权。用于个人学习、视频平台非营利翻唱等，应事先阅读平台规则并标注原作者信息。如果确实需要正式商用，请购买官方伴奏或获得版权方许可。
6.2 文件命名与版本管理
音频处理和代码一样，最怕“最终版”不断叠加。建议每个步骤都生成独立版本文件，命名中记录模型和参数。
示例命名：
NoThankYou_MDX_vocals.wav NoThankYou_MDX_instrumental.wav NoThankYou_MDX-Model_vocals.wav NoThankYou_MDX-Model_backing-harmony.wav NoThankYou_Final_Backing_Harmony.wav写一份notes.txt记录：
原曲来源：本地音频文件 采样率：44100 Hz -> 48000 Hz 第一次分离：UVR5 MDX-Net Main 第二次分离：UVR5 UVR-MDX-NET Voc_FT 手动处理：静音 0:42-0:45 主唱残响 最终导出：24-bit WAV这在调节不同模型的时候尤其重要，不然两天后你根本记不住哪条音轨使用了哪个模型。
6.3 训练与素材质量
源文件质量决定分离上限。尽量使用 CD 音质（16-bit/44.1kHz 以上）的无损文件或官方发布的音频。如果只有低码率 MP3，高频信息已经严重损失，再好的模型也恢复不了被丢弃的细节。
6.4 参数调节原则
不要追求一次到位。先以默认参数跑完整个流程，再针对问题局部调整。用 30 秒片段做测试，确认效果满意后再跑完整首。这比反复跑整首歌高效得多。
6.5 自动化与批量处理
如果你需要给多首歌制作带和声伴奏，可以把 Demucs 命令写成脚本。例如用 Python 遍历目录：
import subprocess from pathlib import Path source_dir = Path("G:/Music/Sources") output_dir = Path("G:/Music/Backing") for wav in source_dir.glob("*.wav"): subprocess.run( ["demucs", "--two-stems=vocals", "-o", str(output_dir), str(wav)] ) print(f"processed: {wav.name}")这个脚本示例适合后续迭代，实际项目中需要根据本机路径和需求调整。批处理前先在单首歌曲上验证，避免浪费大量时间。
6.6 最终混音小建议
和声层叠回伴奏后，如果听起来过于靠前，可以打开伴奏和和声层的声像对比：
- 伴奏层整体声场较宽，和声层声像居中或偏左右对称。
- 如果和声层是单声道，可考虑在 Audacity 中稍微加一点立体声宽度，但不要超过 50%，否则翻唱时人声会和伴奏抢位置。
- 保留至少 -3dB 的峰值余量，避免导出后直接爆音。
7. 总结与学习路线
通过这篇文章，你已经掌握了"带和声伴奏"的核心制作链路：从原曲准备、深度分离人声与伴奏、二次分离人声轨中的和声，到 Audacity 中手动修正与音质优化。这个方法不只适用于《No, Thank You》，对大多数现代说唱和流行歌曲都有效。
完成这一步后，你还可以继续学习：
- 多轨混音基础：EQ、压缩、混响。
- 人声修复：去口水声、去齿音、去呼吸声。
- 响度标准化与母带处理。
- Python 音频处理库（librosa、audio-separator）的使用，让你可以制作一键处理脚本。
最终建议是：先拿一首结构清晰的歌曲完整练一遍，记录每个模型的效果，再处理你真正想翻唱的歌曲。多试几次后，你对 AI 音源分离的理解会逐渐从“玄学”变成可控的技术流程。如果这篇教程对你有所帮助，收藏备用也好，动手实践更好。
