免费背景音人声分离解决方案MVSEP-MDX23,足以和Spleeter分庭抗礼

在音视频领域，把已经发布的混音歌曲或者音频文件逆向分离一直是世界性的课题。音波混合的物理特性导致在没有原始工程文件的情况下，将其还原和分离是一件很有难度的事情。

言及背景音人声分离技术，就不能不提Spleeter，它是一种用于音频源分离（音乐分离）的开源深度学习算法，由Deezer研究团队开发。使用的是一个性能取向的音源分离算法，并且为用户提供了已经预训练好的模型，能够开箱即用，这也是Spleeter泛用性高的原因之一，关于Spleeter，请移步：人工智能AI库Spleeter免费人声和背景音乐分离实践(Python3.10)，这里不再赘述。

MVSEP-MDX23背景音人声分离技术由Demucs研发，Demucs来自Facebook Research团队，它的发源晚于Spleeter，早于MDX-Net，并且经历过4个大版本的迭代，每一代的模型结构都被大改。Demucs的生成质量从v3开始大幅质变，一度领先行业平均水平，v4是现在最强的开源乐器分离单模型，v1和v2的网络模型被用作MDX-net其中的一部分。

本次我们基于MVSEP-MDX23来对音频的背景音和人声进行分离。

本地分离人声和背景音

如果本地离线运行MVSEP-MDX23，首先克隆代码：

git clone https://github.com/jarredou/MVSEP-MDX23-Colab_v2.git

随后进入项目并安装依赖：

cd MVSEP-MDX23-Colab_v2

pip3 install -r requirements.txt

随后直接进推理即可：

python3 inference.py --input_audio test.wav --output_folder ./results/

这里将test.wav进行人声分离，分离后的文件在results文件夹生成。

注意推理过程中会将分离模型下载到项目的models目录，极其巨大。

同时推理过程相当缓慢。

这里可以添加--single_onnx参数来提高推理速度，但音质上有一定的损失。

如果本地设备具备12G以上的显存，也可以添加--large_gpu参数来提高推理的速度。

如果本地没有N卡或者显存实在捉襟见肘，也可以通过--cpu参数来使用cpu进行推理，但是并不推荐这样做，因为本来就慢，用cpu就更慢了。

令人暖心的是，官方还利用Pyqt写了一个小的gui界面来提高操作友好度：

__author__ = 'Roman Solovyev (ZFTurbo), IPPM RAS'

if __name__ == '__main__':

import os

gpu_use = "0"

print('GPU use: {}'.format(gpu_use))

os.environ["CUDA_VISIBLE_DEVICES"] = "{}".format(gpu_use)

import time

import os

import numpy as np

from PyQt5.QtCore import *

from PyQt5 import QtCore

from PyQt5.QtWidgets import *

import sys

from inference import predict_with_model

root = dict()

class Worker(QObject):

finished = pyqtSignal()

progress = pyqtSignal(int)

def __init__(self, options):

super().__init__()

self.options = options

def run(self):

global root

# Here we pass the update_progress (uncalled!)

self.options['update_percent_func'] = self.update_progress

predict_with_model(self.options)

root['button_start'].setDisabled(False)

root['button_finish'].setDisabled(True)

root['start_proc'] = False

self.finished.emit()

def update_progress(self, percent):

self.progress.emit(percent)

class Ui_Dialog(object):

def setupUi(self, Dialog):

global root

Dialog.setObjectName("Settings")

Dialog.resize(370, 180)

self.checkbox_cpu = QCheckBox("Use CPU instead of GPU?", Dialog)

self.checkbox_cpu.move(30, 10)

self.checkbox_cpu.resize(320, 40)

if root['cpu']:

self.checkbox_cpu.setChecked(True)

self.checkbox_single_onnx = QCheckBox("Use single ONNX?", Dialog)

self.checkbox_single_onnx.move(30, 40)

self.checkbox_single_onnx.resize(320, 40)

if root['single_onnx']:

self.checkbox_single_onnx.setChecked(True)

self.pushButton_save = QPushButton(Dialog)

self.pushButton_save.setObjectName("pushButton_save")

self.pushButton_save.move(30, 120)

self.pushButton_save.resize(150, 35)

self.pushButton_cancel = QPushButton(Dialog)

self.pushButton_cancel.setObjectName("pushButton_cancel")

self.pushButton_cancel.move(190, 120)

self.pushButton_cancel.resize(150, 35)

self.retranslateUi(Dialog)

QtCore.QMetaObject.connectSlotsByName(Dialog)

self.Dialog = Dialog

# connect the two functions

self.pushButton_save.clicked.connect(self.return_save)

self.pushButton_cancel.clicked.connect(self.return_cancel)

def retranslateUi(self, Dialog):

_translate = QtCore.QCoreApplication.translate

Dialog.setWindowTitle(_translate("Settings", "Settings"))

self.pushButton_cancel.setText(_translate("Settings", "Cancel"))

self.pushButton_save.setText(_translate("Settings", "Save settings"))

def return_save(self):

global root

# print("save")

root['cpu'] = self.checkbox_cpu.isChecked()

root['single_onnx'] = self.checkbox_single_onnx.isChecked()

self.Dialog.close()

def return_cancel(self):

global root

# print("cancel")

self.Dialog.close()

class MyWidget(QWidget):

def __init__(self):

super().__init__()

self.initUI()

def initUI(self):

self.resize(560, 360)

self.move(300, 300)

self.setWindowTitle('MVSEP music separation model')

self.setAcceptDrops(True)

def dragEnterEvent(self, event):

if event.mimeData().hasUrls():

event.accept()

else:

event.ignore()

def dropEvent(self, event):

global root

files = [u.toLocalFile() for u in event.mimeData().urls()]

txt = ''

root['input_files'] = []

for f in files:

root['input_files'].append(f)

txt += f + '\n'

root['input_files_list_text_area'].insertPlainText(txt)

root['progress_bar'].setValue(0)

def execute_long_task(self):

global root

if len(root['input_files']) == 0 and 1:

QMessageBox.about(root['w'], "Error", "No input files specified!")

return

root['progress_bar'].show()

root['button_start'].setDisabled(True)

root['button_finish'].setDisabled(False)

root['start_proc'] = True

options = {

'input_audio': root['input_files'],

'output_folder': root['output_folder'],

'cpu': root['cpu'],

'single_onnx': root['single_onnx'],

'overlap_large': 0.6,

'overlap_small': 0.5,

}

self.update_progress(0)

self.thread = QThread()

self.worker = Worker(options)

self.worker.moveToThread(self.thread)

self.thread.started.connect(self.worker.run)

self.worker.finished.connect(self.thread.quit)

self.worker.finished.connect(self.worker.deleteLater)

self.thread.finished.connect(self.thread.deleteLater)

self.worker.progress.connect(self.update_progress)

self.thread.start()

def stop_separation(self):

global root

self.thread.terminate()

root['button_start'].setDisabled(False)

root['button_finish'].setDisabled(True)

root['start_proc'] = False

root['progress_bar'].hide()

def update_progress(self, progress):

global root

root['progress_bar'].setValue(progress)

def open_settings(self):

global root

dialog = QDialog()

dialog.ui = Ui_Dialog()

dialog.ui.setupUi(dialog)

dialog.exec_()

def dialog_select_input_files():

global root

files, _ = QFileDialog.getOpenFileNames(

None,

"QFileDialog.getOpenFileNames()",

"",

"All Files (*);;Audio Files (*.wav, *.mp3, *.flac)",

)

if files:

txt = ''

root['input_files'] = []

for f in files:

root['input_files'].append(f)

txt += f + '\n'

root['input_files_list_text_area'].insertPlainText(txt)

root['progress_bar'].setValue(0)

return files

def dialog_select_output_folder():

global root

foldername = QFileDialog.getExistingDirectory(

None,

"Select Directory"

)

root['output_folder'] = foldername + '/'

root['output_folder_line_edit'].setText(root['output_folder'])

return foldername

def create_dialog():

global root

app = QApplication(sys.argv)

w = MyWidget()

root['input_files'] = []

root['output_folder'] = os.path.dirname(os.path.abspath(__file__)) + '/results/'

root['cpu'] = False

root['single_onnx'] = False

button_select_input_files = QPushButton(w)

button_select_input_files.setText("Input audio files")

button_select_input_files.clicked.connect(dialog_select_input_files)

button_select_input_files.setFixedHeight(35)

button_select_input_files.setFixedWidth(150)

button_select_input_files.move(30, 20)

input_files_list_text_area = QTextEdit(w)

input_files_list_text_area.setReadOnly(True)

input_files_list_text_area.setLineWrapMode(QTextEdit.NoWrap)

font = input_files_list_text_area.font()

font.setFamily("Courier")

font.setPointSize(10)

input_files_list_text_area.move(30, 60)

input_files_list_text_area.resize(500, 100)

button_select_output_folder = QPushButton(w)

button_select_output_folder.setText("Output folder")

button_select_output_folder.setFixedHeight(35)

button_select_output_folder.setFixedWidth(150)

button_select_output_folder.clicked.connect(dialog_select_output_folder)

button_select_output_folder.move(30, 180)

output_folder_line_edit = QLineEdit(w)

output_folder_line_edit.setReadOnly(True)

font = output_folder_line_edit.font()

font.setFamily("Courier")

font.setPointSize(10)

output_folder_line_edit.move(30, 220)

output_folder_line_edit.setFixedWidth(500)

output_folder_line_edit.setText(root['output_folder'])

progress_bar = QProgressBar(w)

# progress_bar.move(30, 310)

progress_bar.setValue(0)

progress_bar.setGeometry(30, 310, 500, 35)

progress_bar.setAlignment(QtCore.Qt.AlignCenter)

progress_bar.hide()

root['progress_bar'] = progress_bar

button_start = QPushButton('Start separation', w)

button_start.clicked.connect(w.execute_long_task)

button_start.setFixedHeight(35)

button_start.setFixedWidth(150)

button_start.move(30, 270)

button_finish = QPushButton('Stop separation', w)

button_finish.clicked.connect(w.stop_separation)

button_finish.setFixedHeight(35)

button_finish.setFixedWidth(150)

button_finish.move(200, 270)

button_finish.setDisabled(True)

button_settings = QPushButton('', w)

button_settings.clicked.connect(w.open_settings)

button_settings.setFixedHeight(35)

button_settings.setFixedWidth(35)

button_settings.move(495, 270)

button_settings.setDisabled(False)

mvsep_link = QLabel(w)

mvsep_link.setOpenExternalLinks(True)

font = mvsep_link.font()

font.setFamily("Courier")

font.setPointSize(10)

mvsep_link.move(415, 30)

mvsep_link.setText('Powered by MVSep.com')

root['w'] = w

root['input_files_list_text_area'] = input_files_list_text_area

root['output_folder_line_edit'] = output_folder_line_edit

root['button_start'] = button_start

root['button_finish'] = button_finish

root['button_settings'] = button_settings

# w.showMaximized()

w.show()

sys.exit(app.exec_())

if __name__ == '__main__':

create_dialog()

效果如下：

界面虽然朴素，但相当实用，Spleeter可没给我们提供这个待遇。

Colab云端分离人声和背景音

托Google的福，我们也可以在Colab云端使用MVSEP-MDX23：

https://colab.research.google.com/github/jarredou/MVSEP-MDX23-Colab_v2/blob/v2.3/MVSep-MDX23-Colab.ipynb#scrollTo=uWX5WOqjU0QC

首先安装MVSEP-MDX23：

#@markdown #Installation

#@markdown *Run this cell to install MVSep-MDX23*

print('Installing... This will take 1 minute...')

%cd /content

from google.colab import drive

drive.mount('/content/drive')

!git clone https://github.com/jarredou/MVSEP-MDX23-Colab_v2.git &> /dev/null

%cd /content/MVSEP-MDX23-Colab_v2

!pip install -r requirements.txt &> /dev/null

# onnxruntime-gpu nightly fix for cuda12.2

!python -m pip install ort-nightly-gpu --index-url=https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/ort-cuda-12-nightly/pypi/simple/

print('Installation done !')

随后编写推理代码：

#@markdown #Separation

from pathlib import Path

import glob

%cd /content/MVSEP-MDX23-Colab_v2

input = '/content/drive/MyDrive' #@param {type:"string"}

output_folder = '/content/drive/MyDrive/output' #@param {type:"string"}

#@markdown ---

#@markdown *Bigshifts=1 to disable that feature*

BigShifts = 7 #@param {type:"slider", min:1, max:41, step:1}

#@markdown ---

overlap_InstVoc = 1 #@param {type:"slider", min:1, max:40, step:1}

overlap_VitLarge = 1 #@param {type:"slider", min:1, max:40, step:1}

#@markdown ---

weight_InstVoc = 8 #@param {type:"slider", min:0, max:10, step:1}

weight_VitLarge = 5 #@param {type:"slider", min:0, max:10, step:1}

#@markdown ---

use_VOCFT = False #@param {type:"boolean"}

overlap_VOCFT = 0.1 #@param {type:"slider", min:0, max:0.95, step:0.05}

weight_VOCFT = 2 #@param {type:"slider", min:0, max:10, step:1}

#@markdown ---

vocals_instru_only = True #@param {type:"boolean"}

overlap_demucs = 0.6 #@param {type:"slider", min:0, max:0.95, step:0.05}

#@markdown ---

output_format = 'PCM_16' #@param ["PCM_16", "FLOAT"]

if vocals_instru_only:

vocals_only = '--vocals_only true'

else:

vocals_only = ''

if use_VOCFT:

use_VOCFT = '--use_VOCFT true'

else:

use_VOCFT = ''

if Path(input).is_file():

file_path = input

Path(output_folder).mkdir(parents=True, exist_ok=True)

!python inference.py \

--large_gpu \

--weight_InstVoc {weight_InstVoc} \

--weight_VOCFT {weight_VOCFT} \

--weight_VitLarge {weight_VitLarge} \

--input_audio "{file_path}" \

--overlap_demucs {overlap_demucs} \

--overlap_VOCFT {overlap_VOCFT} \

--overlap_InstVoc {overlap_InstVoc} \

--overlap_VitLarge {overlap_VitLarge} \

--output_format {output_format} \

--BigShifts {BigShifts} \

--output_folder "{output_folder}" \

{vocals_only} \

{use_VOCFT}

else:

file_paths = sorted([f'"{glob.escape(path)}"' for path in glob.glob(input + "/*")])[:]

input_audio_args = ' '.join(file_paths)

Path(output_folder).mkdir(parents=True, exist_ok=True)

!python inference.py \

--large_gpu \

--weight_InstVoc {weight_InstVoc} \

--weight_VOCFT {weight_VOCFT} \

--weight_VitLarge {weight_VitLarge} \

--input_audio {input_audio_args} \

--overlap_demucs {overlap_demucs} \

--overlap_VOCFT {overlap_VOCFT} \

--overlap_InstVoc {int(overlap_InstVoc)} \

--overlap_VitLarge {int(overlap_VitLarge)} \

--output_format {output_format} \

--BigShifts {BigShifts} \

--output_folder "{output_folder}" \

{vocals_only} \

{use_VOCFT}

这里默认使用google云盘的目录，也可以修改为当前服务器的目录地址。

结语

MVSEP-MDX23 和 Spleeter 都是音频人声背景音分离软件，作为用户，我们到底应该怎么选择？

MVSEP-MDX23 基于 Demucs4 和 MDX 神经网络架构，可以将音乐分离成“bass”、“drums”、“vocals”和“other”四个部分。MVSEP-MDX23 在 2023 年的音乐分离挑战中获得了第三名，并且在 MultiSong 数据集上的质量比较中表现出色。它提供了 Python 命令行工具和 GUI 界面，支持 CPU 和 GPU 加速，可以在本地运行。

Spleeter 是由 Deezer 开发的开源音频分离库，它使用深度学习模型将音频分离成不同的音轨，如人声、伴奏等。Spleeter 提供了预训练的模型，可以在命令行或作为 Python 库使用。它的优势在于易用性和灵活性，可以根据需要分离不同数量的音轨。

总的来说，MVSEP-MDX23 在音频分离的性能和精度上表现出色，尤其适合需要高质量音频分离的专业用户。而 Spleeter 则更适合普通用户和开发者，因为它易于使用，并且具有更多的定制选项。