人声提取
使用 AI 模型从视频中分离人声，提升嘈杂音频的转写质量
硬件要求
人声提取功能需要 GPU 加速，仅以下设备支持：
- macOS: Apple Silicon（M1/M2/M3/M4），通过 Metal 加速。Intel Mac 不支持。
- Windows: 配备 NVIDIA / AMD 独立显卡，通过 Vulkan 加速
没有独立显卡的 Windows 电脑（如集成显卡的轻薄本）无法使用此功能。
人声提取会在转写之前自动分离视频中的人声和背景音乐/噪声，仅将纯人声送入 Whisper 进行识别，从而显著提升嘈杂音频（如 MV、综艺、带 BGM 的视频）的转写准确率。
⚡ 快速开始
- 下载模型: 下载一个
.gguf格式的模型文件（见下方推荐） - 启用功能: 设置 > 增强 > 人声提取，打开开关
- 选择模型: 点击「浏览」选择下载的
.gguf文件 - 开始使用: 生成字幕时会自动先提取人声
功能不可用？
如果开关显示为灰色，说明未检测到可用的 GPU。请确认你的设备满足上述硬件要求。
📦 模型下载
模型规格表
| 量化精度 | 文件名 | 大小 | 质量 | 推荐 |
|---|---|---|---|---|
| Q8_0 | voc_fv6-Q8_0.gguf | 240 MB | 接近无损 | ⭐ 推荐 |
| FP16 | voc_fv6-FP16.gguf | 436 MB | 无损 | 追求最高质量 |
| Q5_1 | voc_fv6-Q5_1.gguf | 173 MB | 轻微损失 | 显存不足时 |
| Q5_0 | voc_fv6-Q5_0.gguf | 160 MB | 轻微损失 | 显存不足时 |
量化精度说明
- FP16: 半精度浮点，质量无损，体积适中。追求最高分离质量选这个。
- Q8_0: 8-bit 量化，质量接近无损，体积仅 FP16 的一半多。性价比最高，推荐大多数用户使用。
- Q5_0 / Q5_1: 5-bit 量化，体积更小，质量略有下降。适合显存紧张的情况。
🎯 工作原理
基于 MelBandRoformer（Mel 频带分离 Roformer）架构的 AI 人声提取：
- 音频提取: 从视频中提取 44.1kHz 立体声 WAV 音频
- 频带分离: 模型将音频按频率划分为多个子频带，分别用 Transformer 注意力机制处理
- 人声分离: 输出纯人声轨道，自动送入后续的 Whisper 转写流程
❓ 常见问题
开关是灰色的，无法开启？
说明未检测到兼容的 GPU。请确认：
- macOS: 使用 Apple Silicon Mac（M1 及以上），Intel Mac 不支持
- Windows: 确认系统已安装支持 Vulkan 的显卡驱动（大多数 NVIDIA/AMD 独显默认支持）
处理速度很慢？
人声提取对显存和计算能力有一定要求：
- 如果显存不足，尝试使用更小的量化模型（Q5_0 或 Q4_1）
- 长视频会自动分段处理（每段 30 分钟），请耐心等待
- 确保没有其他程序大量占用 GPU
GPU 报错 / Shader 编译失败？
部分 GPU 和驱动组合可能遇到 Vulkan shader 编译问题（尤其是较旧的驱动版本）。建议：
- 更新显卡驱动到最新版本
- 如果仍然报错，尝试更换量化精度（如从 Q8_0 换成 FP16）
什么场景需要开启人声提取？
- ✅ 带背景音乐的视频（MV、综艺、Vlog）
- ✅ 环境噪声较大的视频（现场录制、直播回放）
- ❌ 纯人声或播客类音频（无需开启，反而会增加处理时间）