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。

Input

A song or mix to split into vocals and instruments.

  • 0:00 / 0:00

Output
Example
00:00

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