如果你在音乐制作、DJ或remix圈子里待过一段时间，一定听过"分离音轨"（stems）这个说法。但分离音轨到底是什么，音轨分离又是怎么运作的？这篇指南会讲清楚你需要了解的一切——从基础概念，到现代AI音轨分离工具的工作原理。
什么是音频分离音轨？
在音乐制作里，一条分离音轨（stem）指的是一个子混音——把一组相关的音轨混合成单独一个立体声（或单声道）音频文件。分离音轨的层级比单独录制的音轨高一层，但低于最终混音完成的母带。
一首典型的歌曲，交付时可能会带有这些分离音轨：
- 人声分离音轨——主唱和和声混在一起
- 鼓组分离音轨——底鼓、军鼓、镲片、嗵鼓混在一起
- 贝斯分离音轨——电贝斯或合成贝斯
- 乐器分离音轨——吉他、键盘、合成器、弦乐
把所有分离音轨重新叠加在一起，你就得到最终混音完成的歌曲。如果把人声分离音轨静音，剩下的就是伴奏（卡拉OK）版本。
为什么分离音轨这么重要？
分离音轨是音乐创作协作中的"通用货币"。以下是人们为什么需要它：
对DJ和remix制作人来说
DJ和remix制作人用分离音轨来制作串烧和remix。有了一首歌的人声分离音轨，再配上另一首歌的伴奏分离音轨，就可以创造出听起来经过专业混音的全新组合——而不是把两首歌生硬地叠在一起。
对音乐制作人来说
当制作人想在一段现成的录音基础上进行二次创作时，分离音轨让他们可以单独处理某个元素，而不影响整体混音。他们可以保留原始的鼓组分离音轨、替换贝斯，或者保留人声分离音轨、重新搭建整个编曲。
对现场演出者来说
乐队和独唱歌手在现场演出中会用到伴奏分离音轨。比如说，一位独唱歌手可以一边弹吉他现场演奏，一边配合鼓和贝斯的分离音轨伴奏演唱。
对影视行业来说
音乐监制在需要为特定场景改编一首歌时会用到分离音轨——比如为背景场景去除人声、调整各声部电平，或者让某件乐器的片段循环播放。
问题所在：大多数歌曲并不自带分离音轨
难点在于：分离音轨通常只能从原始制作人或唱片公司那里直接获得——而它们几乎从不公开发布。你可能会在参加remix比赛、购买制作人素材包，或者直接与音乐人合作时拿到分离音轨。但对绝大多数商业发行的音乐来说，分离音轨根本没有公开渠道可以获取。
这正是AI音轨分离派上用场的地方。
AI音轨分离是怎么工作的
AI音轨分离工具会分析已经混好的音频文件，尝试用数学方法把各个组成部分分离出来——全程都不需要接触原始的多轨工程文件。
现代AI音轨分离工具使用深度神经网络，这些网络是在大量经过专业录制的多轨歌曲数据集上训练出来的。在训练过程中，模型学会了人声、鼓组、贝斯和其他乐器在声学上"听起来是什么样子"——它们的频率模式、时间特征和音色特质。
当你上传一首歌时，AI会：
- 把音频转换成频率表示形式（声谱图）
- 运用训练好的神经网络来识别并分离出每一个声源
- 从分离出的各个成分中重建音频
- 把每条分离音轨作为独立的音频文件输出
如今AI音轨分离的效果有多好？
过去这几年，AI音轨分离的效果有了大幅提升。现代深度学习模型如今达到的人声分离质量，是3~4年前根本不可能实现的。
对于二分离（人声+伴奏）来说——也就是制作伴奏所提供的功能——效果已经足够好，可以真正用于remix制作、卡拉OK和音乐分析。四分离（再加上鼓组和贝斯）难度会更高一些，但在先进的AI工具中也越来越普及。
分离音轨（Stems）与录音轨道（Tracks）：区别是什么？
- 录音轨道（多轨）——单独录制的每一个声道。一套鼓组可能对应10条以上单独的录音轨道（每个麦克风一条）。这些是一次录音工程中最原始的构成单元。
- 分离音轨（Stems）——把多条轨道混合在一起的结果。比如那10条鼓组录音轨道，混合成一条立体声鼓组分离音轨。
- 母带（最终混音）——所有分离音轨混合在一起，构成最终成品歌曲。