UVRVocal Remover
提取伴奏该选哪个 UVR 模型?三个分数背后的取舍

提取伴奏该选哪个 UVR 模型?
三个分数背后的取舍

WaveReveal Team2 分钟阅读

提取伴奏该选哪个 UVR 模型?

在模型列表或排行榜上,你经常会看到 SDR、Fullness、Bleedless 这几个词。它们都是在给“伴奏干不干净”打分,只是看的角度不同:

  • SDR:总分。模型拆出来的伴奏,和标准答案有多接近。
  • Bleedless:伴奏里残留的人声少不少。
  • Fullness:伴奏本身有没有被误删,听起来够不够饱满。

没有哪个模型三项都拿第一。1 所以选模型之前,先想清楚你更怕哪一种问题:是听到原唱的残影,还是伴奏变得单薄。

这些分数是怎么打出来的

打分的思路很像考试对答案。

评测用的歌,人声和各个乐器本来就有各自独立的音轨。2 评测时先把这些音轨混成一首完整的歌,交给模型去拆,再把模型拆出来的伴奏和原本独立的伴奏音轨做对比。原本独立的那份就是“标准答案”,差得越少,分数越高。

各个独立音轨先混成一首歌,模型拆分后,把拆出的伴奏和原本独立的伴奏音轨对照

本文的分数都来自公开的 MVSEP 排行榜。它的测试集有 100 首不同风格的歌,每首 1 分钟。2

SDR:一个总分

SDR 是 Signal-to-Distortion Ratio 的缩写。简单说,它比较的是两样东西:标准答案的音量,和结果里“错误部分”的音量。3 错误部分越小,SDR 越高。

“错误的声音”包括三类:没去干净的人声或其他声音、杂音,以及模型自己“造”出来的怪声,比如像水泡一样咕噜咕噜的毛刺声。4

SDR 的单位是分贝(dB),不过你可以直接把它当成分数看。按它的计算方式换算,大约每高 3 分,错误的声音就少一半;每高 10 分,错误的声音只剩十分之一。3

这个分数很严格。在同一个排行榜上,把标准答案本身压缩成常见的 128 kbps MP3,伴奏也只拿到 21.3 分。1 也就是说,哪怕是原声,经过一次普通的压缩就到不了满分。下文表格里最好的模型是 17.4 分。

但 SDR 只是总分,看不出错在哪里。就像考试只告诉你总分,不告诉你哪道题错了:两个模型同样是 17 分,一个可能是残留人声多,另一个可能是伴奏被削掉了一块,听起来完全不同。研究者很早就指出,残留声、杂音和怪声需要分开衡量,一个总分描述不了。4

也别太在意零点几分的差距。有研究专门批评过拿 0.1 分左右的差距来证明“哪个方法更好”的做法。5

Bleedless:伴奏里还剩多少人声

Bleed 的原意是“渗出”,这里指人声渗进了伴奏。Bleedless 就是“没有渗漏”,分数越高,伴奏里残留的人声越少。

它的算法是:把结果和标准答案按频率切成很多小段,逐段比较音量。结果比标准答案“多出来”的声音,就算作渗漏。3

Fullness:伴奏有没有被误删

Fullness 是“饱满度”,看的是反方向的问题。同样逐段比较,结果比标准答案“少掉”的声音,就算作被误删。3 分数越高,伴奏保留得越完整。

Bleedless 和 Fullness 不是学术界的统一标准,而是来自一个开源模型训练项目的代码,3 MVSEP 排行榜也支持按这两项排序。1

为什么这两个分数常常此消彼长

想象用修图软件把照片里的人抠掉,只留下背景。

抠得狠一点,人影一点不剩,但人身后的背景也容易被连带抠掉一块。抠得保守一点,背景完整了,边缘却可能留下一圈人影。

左:删得狠,人声不剩,但伴奏被削掉一块;右:删得轻,伴奏完整,但留下淡淡的人声残影

去人声也是这样。模型删得越果断,残留人声越少,Bleedless 越高,但乐器也越容易被误删,Fullness 就低;反过来也一样。下面是排行榜上三个伴奏结果的分数,三项都是越高越好:1

榜单上的模型名称总分 SDR人声残留少 Bleedless伴奏完整 Fullness
Kim melband/unwa_ft2_bleedless17.3646.3127.78
BS-Roformer-Resurrection-Inst.ckpt17.2339.2635.42
inst fv916.5636.2037.19

第一行总分最高、残留人声最少,但伴奏完整度最低。最后一行伴奏最完整,残留人声却最多。中间一行两项都居中。

听一听差别

下面是同一段 30 秒副歌,分别用上表三个模型分离出的伴奏。所有片段从同一时刻开始,没有单独调过音量。播放时切换音轨,进度保持不变。差别比较细微,建议戴耳机。听长音的人声处有没有淡淡的原唱影子,再听鼓和吉他有没有变薄。

音乐:Josh Woodward《I Want to Destroy Something Beautiful》(CC BY 4.0),截取 30 秒。伴奏由各模型分离,未做其他处理。

你该看哪个分数

如果你要做 K 歌或翻唱伴奏,最怕的是听到原唱的影子。优先看 Bleedless,在上表中对应第一行。

如果你要做采样、混音或者跟着伴奏练琴,最怕的是乐器缺失、声音发薄,一点点人声残影反而能接受。优先看 Fullness,对应最后一行。中间一行是两者之间的折中。

如果拿不准,就先看 SDR 总分,但零点几分的差距不用纠结。

还有一点要记住:排行榜分数是 100 首测试歌的平均成绩,你的歌风格、录音质量都可能不一样。MVSEP 自己也提醒,部分测试歌可能在某些模型训练时就被“见过”,就像提前看过考题,这会让比较不那么公平。2

最后用耳朵确认

分数帮你缩小范围,最终还是要听。在 WaveReveal(原 UVR Online)的去人声工具里,挑两三个取向不同的模型,分别处理同一首歌:

  1. 听安静的主歌段:有没有若隐若现的原唱?
  2. 听编曲最满的副歌段:鼓、吉他、和声有没有变薄或消失?
  3. 哪个结果的问题你更能接受,就用哪个。

如果只是想尽快拿到一份能用的伴奏,可以先看如何快速拿到一首歌的伴奏。

Footnotes

  1. MVSEP Multisong Leaderboard (Instrum),数值为 2026-10-22 页面显示值。mvsep.com

  2. MVSEP Quality Checker,Multisong 数据集说明。mvsep.com 2026-10-22)

  3. ZFTurbo. Music-Source-Separation-Training, utils/metrics.py. github.com

  4. Emmanuel Vincent, Rémi Gribonval, Cédric Févotte. "Performance measurement in blind audio source separation." IEEE Transactions on Audio, Speech and Language Processing, 2006, 14 (4), pp. 1462–1469. inria.hal.science

  5. Jonathan Le Roux, Scott Wisdom, Hakan Erdogan, John R. Hershey. "SDR - half-baked or well done?" arXiv:1811.02508. arxiv.org