背景

之前自己练琴想扒一首歌的贝斯线，市面上的工具要么只能分 4 轨
（ vocals/drums/bass/other ），要么订阅一个月用两次就忘了取消。
看到 Meta AI 的 htdemucs_6s 模型能分 6 轨（多了 guitar 和 piano ），
就花了几个月做了个站。

技术上踩了一些坑，分享出来给可能也想做类似东西的同学参考。

一、模型选型:为什么是 htdemucs

主流开源音频分离模型:

• spleeter （ Deezer ，2019 ）:老但稳，质量一般，4 轨
• Demucs v3 （ Meta ，2021 ）:CNN ，质量好，4 轨
• htdemucs （ Meta ，2022 ）:Hybrid Transformer ，2022 Sony MDX 冠军，4 轨
• htdemucs_6s （ Meta ，2022 ）:上面那个的 6 轨版本，多了 guitar/piano
• BS-RoFormer （ ZFTurbo 等，2024 ）:当前 SOTA ，但模型大、推理慢

对比测了 spleeter / htdemucs / BS-RoFormer:

• 跟 spleeter 比:人声分离清洁度提升非常明显，特别是中频段
• 跟 BS-RoFormer 比:质量差距小（盲听基本难分），但推理时间是后者的 1/3 ，
  对面向 C 端的服务来说，60 秒出结果 vs 3 分钟出结果差别太大

如果是离线批处理或专业制作，BS-RoFormer 应该是更好的选择。

二、推理平台:为什么是 Replicate

最早自己开了 RunPod 4090 实例跑，跑通没问题，但有几个问题:

1. 没人用的时候 GPU 还在烧钱，每小时 $0.40 起步
2. 自己得维护容器、模型权重、队列、错误重试一整套
3. 流量高峰时单实例扛不住，要做多实例 + 负载均衡

后来转去 Replicate ，按秒计费，没人用就 0 成本。
htdemucs 一首 3 分钟的歌大概 25-40 秒推理时间，
按 A40 GPU 计费下来单首 GPU 成本大概 2-3 美分。
对于一个早期阶段、流量不稳定的产品，按需付费比固定 GPU 划算太多。

对比过的几家:

• Modal:冷启动比 Replicate 慢一点，但定价灵活，适合复杂 pipeline
• HuggingFace Inference Endpoints:贵且冷启动慢，pass
• 自部署 RunPod / Vast.ai:除非月流水稳定上量否则不划算

三、几个非模型层面的坑

1. YouTube 链接处理:用户贴 URL 比让他下载文件转格式 UX 好太多。
   yt-dlp 是必备，但要处理大量 edge case （年龄限制、地区限制、live 流），
   还得加超时和文件大小限制防滥用。

2. 多轨同步播放器:6 个 stem 同时播放还要支持 mute/solo/seek ，
   一开始用 howler.js 单实例切换完全不行（ latency 差几十 ms 听得出来），
   最后用 Web Audio API 自己写了个共享 AudioContext 的播放器。

3. 格式转换:用户上传可能是 MP3/WAV/FLAC/M4A/OGG/WEBM 各种格式，
   htdemucs 只吃 WAV 。前置 ffmpeg 转码层是必须的，
   但 ffmpeg 在 Replicate 容器里跑得慢，
   后来改成在自己服务器转码完再丢给 Replicate ，整体延迟降了 30%。

4. BPM/key 检测:用 librosa 自己算的，但 librosa 的 key detection
   在电子乐上准确率一般，准备后续接入 essentia 重做。

四、成品

站点:aistemsplitter.org

有免费额度，够分两三首歌看看质量。如果想多跑几首，
V2EX 的同学可以在结账页用 v2ex 这个码，我加了点额度——主要是
想多收一些技术圈的反馈，特别是中文歌的分离效果。

主要想问几个问题:

1. 有没有人在生产环境用过 BS-RoFormer 跑 C 端?延迟是怎么解的?
2. Replicate 之外有没有更便宜的 GPU serverless 平台值得试?
   (需要支持自定义模型权重)
3. 中文歌(特别是有混响/自动调音的)分离效果一般,
   有没有什么改进思路?是该等更好的开源模型,还是有
   预处理/后处理的方法可以缓解?

谢谢各位,欢迎拍砖。