2025年最佳的 23 个声音分离工具

这是一个基于Asteroid框架训练的ConvTasNet模型，专门用于音频分离任务，在Libri2Mix数据集的sep_clean任务上训练。

基于SepFormer架构的音频源分离模型，在WSJ0-2Mix数据集上训练，能够将混合音频分离为独立的语音源。

基于Asteroid框架训练的ConvTasNet模型，用于含噪语音分离任务，在Libri2Mix数据集上训练。

这是一个基于SepFormer架构的音频源分离模型，在WHAMR!数据集上训练，适用于16kHz采样率的音频信号分离。

这是一个基于SepFormer架构的音频源分离模型，在WHAM!数据集上训练，能够分离混合音频中的不同声源。

SepFormer是一种基于Transformer的音频源分离模型，在WHAMR!数据集上训练，用于分离混合语音信号。

这是一个基于SepFormer架构的音频源分离模型，在Libri3Mix数据集上训练，能够将混合语音分离为多个独立音源。

TIGER是一种轻量级语音分离模型，通过频带分割、多尺度和全频帧建模有效提取关键声学特征。

使用SepFormer架构实现的音频源分离模型，在Libri2Mix数据集上训练，可分离混合音频中的独立声源

基于Asteroid框架训练的语音分离模型，使用WHAM!数据集进行训练，专注于干净语音分离任务。

这是一个基于RE-SepFormer架构的音频源分离模型，由SpeechBrain实现并在WSJ0-2Mix数据集上训练。

基于Asteroid框架训练的ConvTasNet模型，用于从混合音频中分离噪声和语音信号。

这是一个基于Asteroid框架训练的ConvTasNet模型，专门用于音频分离任务，在WHAM!数据集的sep_clean任务上进行训练。

基于Asteroid框架训练的ConvTasNet模型，用于8kHz采样率的语音分离任务，在Libri2Mix数据集上训练。

这是一个使用SepFormer架构进行音频源分离的模型，在WSJ0-3Mix数据集上训练，能够将混合语音分离成独立的语音源。

TIGER是一款轻量级语音分离模型，通过频带分割和多尺度特征提取实现高效音频处理

这是一个基于 Asteroid 框架训练的音频源分离模型，专门用于从混合音频中分离出干净的语音信号。

基于Asteroid框架训练的ConvTasNet模型，用于语音分离任务，在Libri3Mix数据集上训练，支持16kHz采样率的音频输入。

基于Asteroid框架训练的ConvTasNet模型，用于从混合音频中分离出3个独立音源，特别针对8kHz采样率的含噪声语音数据优化。

基于Asteroid框架训练的ConvTasNet模型，用于8kHz采样率下的语音分离任务，特别针对含噪声的混合语音场景。

基于Asteroid框架训练的音频源分离模型，专为8kHz采样率的语音分离任务优化

基于Asteroid框架训练的ConvTasNet模型，用于含噪音频分离任务，训练数据来自Libri3Mix数据集。

基于Asteroid框架训练的音频分离模型，专门用于处理带噪声的多通道音频信号分离任务