tanixn的博客

考虑到去除背景音乐之后一般歌曲的头尾人声都比较少，甚至是完全没有声音的。且训练模型时，音频文件长度应该在10-20s左右，音频文件太大会导致显存压力太大。因此，遍历所有文件夹，判断文件名是否为vocals.wav，并将其复制到另一个文件夹中，将该音频文件重命名为其所在的文件夹名加上vocals.wav。使用spleeter分割后的人声与背景音乐分别存储在很多文件夹中。有许多这样的文件夹存储分离的人声与背景音乐。其中人声的音频文件名为。因此，需要在此对音频文件进行分割并且删除人声较少的部分。

模型的训练需要大量的音频。鉴于国语与粤语的区别，因此我只选择了其中44首国语歌曲，尝试训练一下国语版的eason。这里需要用到一个github上开源的工具--slpeeter。通过这个工具，可以直接去分离人声与背景音乐，非常方便。另外，分离背景音乐与人声需要用到该工具下的双声道模型。将压缩包解压后将其中的模型复制到SpleeterGUI文件夹中的pretrained_models文件夹中（见上图）。下载好歌曲之后，需要去除背景音乐，得到纯净的人声。这个工具有gui版的，下载之后直接打开。