文字提示分离
用一句话描述想保留的声音，工具据此从混合音频中把对应声源单独提取出来，不必事先知道它属于哪一类固定标签。
价格官网未标价
平台—
归类配音与音频
收录2026-10-12
复核2026-10-12
编辑评分
4.1 / 5
★★★★☆
SAM Audio编辑总结
SAM Audio 是 Meta 研究团队公开的音频分离方向工具，名字里的 SAM 延续了其在图像分割上的思路——用户给出目标声音的文字描述，工具据此把这段声音从复杂混音中抽出来。它面向的是做视频剪辑、音频后期、播客处理和音频素材整理的人，也方便开发者在此基础上做二次开发。和传统只能按人声/伴奏切分的工具相比，它更强调「用自然语言指定要留下什么」这件事。
SAM Audio是什么？
SAM Audio 是 Meta 研究团队公开的一项音频分离方向的工作，延续了 SAM（Segment Anything Model）系列「按提示做分割」的思路，只不过对象换成了声音：你告诉它想要哪一类声音，它就从一段混合音频里把对应的部分分离出来。
它的使用方式偏向「提示驱动」。传统音频分离工具通常只能按固定类别切，比如人声和伴奏两条轨；SAM Audio 允许用更自由的一句话来描述目标声音，例如某类乐器、某种环境音或某个说话人的声音，从而拿到相对干净的单轨结果。
对不同的人来说用法不一样。做视频和音频后期的创作者，可以拿它处理环境噪声重、音源叠得多的素材；做音乐或音效整理的人，可以用它从长录音里单独拎出某个声源；对开发者，这类模型通常以研究代码或接口的形式开放，可接入到自己的音频处理流程里。具体的使用形态和接入方式需以官方页面为准。
SAM Audio核心功能
任意声源定位
不局限于人声与伴奏的二分，环境音、乐器、特定说话人都可以作为分离目标，适合音源叠得杂的素材。
音频与视频音轨
处理对象是声音本身，因此视频里的音轨同样可以拿来分离，方便先抽音再单独处理。
面向研究开放
由 Meta 研究团队公开，定位偏研究与开发者复现，而不是一个开箱即用的消费级成品软件。
SAM Audio使用建议
入门先把路子走对
- 先说清要什么提示词尽量具体，比如指名乐器、环境音类别或「第二个说话人」，比只写「分离人声」更容易拿到干净结果。
- 从短片段试起先截取十几秒有明显目标声源的片段验证提示词是否有效，确认后再处理整段素材，能省下大量反复。
进阶省时间也省钱
- 分离后再修一遍分离结果通常会带一点原混音残留或轻微失真，接一段降噪或均衡处理再做成品，听感会明显更好。
- 换说法多试几轮同一个目标换几种描述方式分别跑一次，挑残留最少的那版，比死磕一条提示词更快出结果。
SAM Audio适合谁用？
视频剪辑与后期
推荐素材环境噪声重、音源叠得多时，可以先把想要的声源拎出来再混音，减少来回重录的成本。
播客与录音整理
推荐多人同录、背景有持续噪声的素材，适合先分离出人声再剪辑，能省下大量手动剪噪时间。
音频方向开发者
有条件适合想研究提示驱动音频分离、并把它接进自己音频管线的人，需要有一定的模型部署与调试能力。
只想一键出成品的普通用户
不推荐它更偏研究性质，不是打开网页点一下就能导出成品的消费级软件，没有调试预期的话容易失望。
SAM Audio优点和缺点
优点
- 支持用自然语言指定分离目标，不局限于人声与伴奏二分
- 可处理环境音、乐器、指定说话人等多种声源类型
- 由 Meta 研究团队公开，技术路线与 SAM 系列一脉相承
- 对视频音轨同样适用，方便先抽音再单独处理
缺点
- 定位偏研究，不是开箱即用的成品软件，上手有门槛
- 分离结果常有残留或轻微失真，通常需要再做一轮后期
- 提示词写法对结果影响明显，需要反复调整才能稳定
SAM Audio常见问题
SAM Audio 是怎么用的？＋
核心是「用提示指定目标声音」：你描述想要保留的那一类声音，它从混合音频里把对应部分分离出来。比起只能切人声和伴奏的工具，它更适合音源复杂、目标不是固定类别的素材。
它能分离出哪些声音？＋
只要能用一句话描述清楚，理论上都可以作为分离目标，比如某类乐器、某种环境音或某个人声。实际能不能分干净，取决于目标声源在原混音里的突出程度和提示词写得是否准确。
分离出来的音质怎么样？＋
这类模型输出通常干净度不错，但很难做到毫无残留，可能出现目标声源之外的细碎声音或轻微失真。做正式成品前建议再接一段降噪或均衡处理。
它和普通的人声分离工具差在哪？＋
常见的人声分离工具类别固定，只能给你人声和伴奏两条轨。SAM Audio 更强调按提示分离任意声源，适合目标不是「人声」而是某种乐器或环境音的场合。
普通用户适合直接用吗？＋
更建议有音频处理经验的人使用。它偏研究与开发者导向，需要自己准备素材、调提示词并对结果做后期；想打开网页一键出成品的话，体验预期要对得上。
