在浏览器里混人声：目标值从哪里来

自动混音工具必须用数字来回答问题：人声相对音乐有多响，均衡该动哪些频段，要不要把音高拉到音符上。这些目标值应该从哪里来？简短的答案是：MuziAI 的人声与音乐比例目标，是在 144 首带真实分轨的录音上测出来的，人声中位数比音乐低 2.2 LU，而不是取自本站自己生成的歌曲。我们的测试台抓出了四个 bug，而它们出现时，主要数字看起来都完全正常。至于自动修音，用两个独立的测量工具测过之后，发现它确实会损失人声清晰度，所以默认关闭。

为什么不从我们自己的歌里取目标值

最省事的做法是测量服务器上现成的伴奏与人声配对。一共有 57 对，但每一对都是本站生成的 AI 歌曲。用户上传来做分离的录音会在 24 小时后删除，所以剩下的人工混音配对是零。测这 57 对，告诉我们的是 AI 怎么混，而不是人怎么混。

所以我们用了一个公开的多轨录音数据集，带分离好的分轨：144 首歌，每首是 7 秒的预览片段，其中人声和伴奏是真正分开录制的音轨，而不是分离器的输出。

目标数字，以及页面用的是哪一个

两个独立的测量工具结果一致（−2.2 和 −2.25），所以这个中位数很可靠。但它描述的是一个以摇滚为主的西方数据集。本站的 AI 歌曲把人声放在音乐之上 1.9 LU，我们测的那首真实越南歌曲是 +2.3 LU。所以页面默认值是 +2，配一个 ±4 的滑块，并在 −2.2 处加一个标记，让你看到另一种习惯在哪里。页面也直说了，我们的越南语样本只有一首歌。

均衡也按同样的思路处理。对每个倍频程频段，144 首歌的 q1-q3 范围宽 4-5 dB。工具只修正落在这个范围之外的频段，而且只拉到边缘，绝不拉到中位数：把每个声音都强行拉到中位数是在染色，会抹掉一个声音的个性。混响会一直调整，直到侧声道与中置的比例达到 −11.8 dB。在仅伴奏模式下，工具刻意不做自动均衡，因为不同风格的伴奏差别很大。想塑造伴奏的音色，就给它一首参考曲：倍频程频谱每一遍匹配 70%，共两遍，限制在 ±4 dB 以内，响度不照搬（保持在 −14 LUFS）。

测试台抓出的四个 bug，数字都看似合理

工具的响度和真峰值测量，在 10 个文件上全部与一个标准参考工具一致，误差在 0.05 以内。在 21 首人声被故意损坏的歌上做 42 项检查，42/42 全部通过。然而上线之前，测试台抓出了四个 bug，光看主结果表谁也发现不了：

1. 限幅器在前 5 ms 放过了一个 +15.3 dBFS 的尖峰。 第一个采样之前的虚拟区域被当成了 1，把滑动平均拉高了。母带循环不断压低上限再把增益加回来，最后停在 −20 LUFS 和 +1.2 dBTP。
2. 压缩器把人声压了约 30 dB，然后补偿增益又加了 +46 dB。 在一段有持续背景噪声的录音里，「噪声底 + 12 dB」比歌声本身还高，于是没有一帧被算作有声，阈值掉到了 −120。输出依然达到了 −14 LUFS，人声与音乐的比例也正确。直到加了一项检查「补偿增益是否大致等于压掉的量」的测试，才把它暴露出来。现在阈值永远不会低于峰值减 10 dB。
3. 百分位函数每次调用都要排序一千万个数字，倍频程频谱还要把整首歌滤波四遍。改用稀疏百分位、在 10 段 3 秒的片段上做分析、对整首歌只滤波一遍之后，处理时间从 30 秒降到 9.5 秒。
4. 时钟在测试机上返回了负时间（−50 秒）。 现在改用浏览器的单调时钟。

第 2 个 bug 的教训：一个只问输出响度对不对的测试台，会放过一个毁掉人声的压缩器，因为母带环节把问题掩盖了。修复之后，一首带和声的四分钟歌曲在浏览器里处理只需 11.8 秒。

自动修音：两个测量工具与真实代价

工具的自动修音以 10 ms 为一帧追踪音高，把每个人声周期推向目标音符。「轻度」设置在 ±70 ms 内移动每个音符的中心，并保留颤音；「强力」则强制修正每一帧。我们用自己的测量工具和一个独立的语音学工具来测，样本包括一个已知答案的合成人声，以及一个被推偏 +30 音分的真实人声：

自动修音完成了它的任务：按独立测量工具，真实人声从偏约 30 音分降到约 12 音分。最后两列是代价。Jitter（相邻振动周期长度的差异，听起来就是粗糙感）升高约 0.2 个百分点，HNR（谐波噪声比，越高越干净）下降 0.5 到 0.8 dB。所以自动修音默认关闭，页面上也说明了原因。

自动修音的测试台用一个非常简单的案例又抓出了两个 bug：如果没什么需要修正，输出就必须等于输入。进入有声区域时，合成标记没有对齐到分析标记，而且合成步骤用的是估计的音高周期，而不是标记之间的真实距离，于是误差不断累积，整段整段地偏离相位。修复之前，输出与输入的匹配度（SNR）只有 −2.6 dB；修复之后是 150 dB，完全一致。所有音高准确度的案例从一开始就通过了，只有这个恒等案例暴露了这些 bug。

局限与未解的问题

• 我们带分轨的越南语样本只有一首歌（+2.3 LU）。+2 的默认值依据的是这首歌加上本站的 AI 歌曲，而不是一次大规模测量。
• 144 首歌的数据集都是 7 秒的预览片段，而且以摇滚为主。它是人声与音乐平衡的好参考，但不能代表所有风格。
• 自动修音在一个合成人声和一个真实人声上测试过；你的声音付出的代价可能不同。
• 在 T-Pain 模式下，音准按测得的理想上限（89%）来评判，产品达到 87%；没有人为挑选的 90% 阈值。
• AI 人声本来就在音准上（8-9 音分），所以轻度自动修音对 AI 歌曲几乎没有改变。

这对你生成歌曲意味着什么

1. 从 +2 的默认值开始。想要西方流行或摇滚的平衡，就往 −2.2 的标记滑；想贴近我们测的那首真实越南歌曲（+2.3），就保持在 +2 左右。
2. 在同样 −14 LUFS 的响度下对比处理前后。更响的版本往往听起来「更好」，所以在不同音量下对比会骗到你。
3. AI 生成的歌曲，保持自动修音关闭。人声本来就准，打开它只会损失清晰度。
4. 你自己的录音如果有音准问题，先试轻度，仔细听长音。如果听到粗糙感，那就是上面测到的 jitter 代价。
5. 如果想让伴奏带上某首歌的色彩，就把那首歌作为参考曲，而不是指望伴奏的自动均衡。
6. 还没有可以混音的歌？在 MuziAI 首页 生成一首，再把人声和伴奏放进自动混音工具。