Sam Audio

它把 Meta 的 Segment Anything Audio Model 接到工作流里，从复杂混音中分离出人声、乐器、语音和音效。指定目标有三种方式：文字描述、在视频画面上点选、以及按时间区间圈定。输出分为目标音轨和残差音轨，可分别用于音乐制作、播客处理、影视后期和转写等场景。

明确写着这是一个独立 AI 服务，与任何模型提供方没有隶属关系，只是在自己基础设施上部署并优化 Apache-2.0 许可的模型。型号本身来自 Meta 的 Segment Anything 系列。

除了用文字描述声音，还可以指定精确的时间范围来圈定目标，官网举的例子是 6.3 到 7.0 秒，并把这套时间选择称为行业首创。适合在长音频或视频里只处理某一小段声音、而不动其余部分的场景。

提示词指南给的原则是写具体而不是写长：把要留下的声音写清楚（例如「主要成年男性说话声，近场收音，位于混音中央」），把要去掉的声音也列出来（例如「音乐、房间环境声、其他说话声」），并且一次尽量只指定一个目标，避免写成故事性的长句。

可以。分离后会同时给出目标音轨和残差音轨，并保留原始采样率，官网把这套输出定位成可直接接进编辑流程的形式，取人声时可保留被剥离的伴奏或环境声备用。

有一篇专门说明讲权重获取、显卡与显存要求以及模型大小的选择，另有分步教程讲安装、下载权重和跑第一次分离。如果不想自己部署，官网也提供在线的音频分离服务入口，但具体额度与费用官网未公开。

有一篇错题整理，覆盖 CUDA 报错、缺失权重、FFmpeg 问题、显存不足、推理过慢和分离效果差等 25 类常见问题，可以按报错类型先排查再调整提示词。