MelBandRoFormer音訊分離
載入音訊檔案並使用MelBandRoFormer模型將其分離為人聲和伴奏音軌。輸出兩個MP3檔案,分別包含獨立人聲和背景音樂。
試試範例
關於此工作流程
這個 ComfyUI 工作流程使用 MelBandRoFormer 模型進行高品質人聲分離。它會把一條混音音訊拆成兩個 stem:分離後的人聲與伴奏。流程從 LoadAudio 載入來源檔開始,接著由 MelBandRoFormerModelLoader 從 models/diffusion_models 載入預訓練權重(MelBandRoformer_fp16.safetensors)。核心分離在 MelBandRoFormerSampler 進行推論,輸出兩個音訊張量——人聲與背景音樂——最後透過兩個 SaveAudioMP3 節點分別匯出。
技術上,MelBandRoFormer 採用在分頻的時頻空間運作的 transformer 架構,用來估計來源成分。實務上就是學習遮罩:抽出人聲時壓抑伴奏、抽出伴奏時壓抑人聲,因此能得到更乾淨的 stem、較少音樂瑕疵。內含的 MarkdownNote 會在畫布上提供簡短指引。由於流程以節點驅動,你可以把 SaveAudioMP3 換成 WAV 儲存節點、修改輸出檔名,或調整 Sampler 的分塊/重疊(若你的節點版本有提供)來平衡速度、記憶體用量與分離品質。
問答
強烈建議使用現代 GPU 以取得合理速度。有些環境可用 CPU 執行,但會慢很多。若在 GPU 上遇到記憶體問題,可降低 Sampler 的 chunk size 或提高 overlap(若有提供)以管理 VRAM。
LoadAudio 通常支援 WAV、MP3、FLAC 等常見格式。此工作流程透過 SaveAudioMP3 輸出 MP3 stem。若需要無損輸出,可在 ComfyUI 中把儲存節點換成 WAV 版本。
若你的節點版本有提供,可嘗試提高 overlap 或調整 MelBandRoFormerSampler 的 chunk size。同時確保輸入未削波,並盡量避免過度壓縮的母帶。最後可對人聲 stem 做輕度 noise gate 或頻譜降噪作為收尾。
此工作流程配置為兩軌:人聲與伴奏。若要多軌分離,請使用支援 4-stem 或 5-stem 的模型與工作流程,或建立一個針對特定聲源串接模型的變體。
相關工作流程
- Chatter Box
Chatter Box:使用TTS進行語音克隆
- Chatter Box
Chatter Box:使用克隆語音進行多人對話
- Chatter Box
Chatter Box:支援語音克隆的多語言文字轉語音
- Chatter Box
Chatter Box:語音克隆音訊轉換
- ElevenLabs
ElevenLabs:文字轉對話
- ElevenLabs
ElevenLabs:文生語音
- ElevenLabs
ElevenLabs:語音轉文字
- ElevenLabs
ElevenLabs:語音轉語音
- ElevenLabs
ElevenLabs:語音隔離
- 合作夥伴節點
Fish Audio: Speech to Text
- 合作夥伴節點
Fish Audio: Text to Speech
- 合作夥伴節點
Fish Audio: Voice Clone to Speech