视频点播人声背景音分离（也称为“音频分离”或“音伴分离”）功能采用深度学习算法，能够精准地处理您输入的音视频文件，然后输出两个独立的音频文件：纯净的人声干声和完整的背景伴奏。该功能适用于卡拉 OK 伴奏制作、嘈杂环境下的人声增强、以及视频二次创作中音乐替换等场景。

本文将指导您如何通过调用视频点播 OpenAPI，实现人声和背景音的分离。

功能介绍 #

人声背景音分离功能基于先进的音频处理算法（如深度学习、频谱分析等）技术，通过对音频信号进行多维度分析，识别并捕捉人声与背景音在频谱、时域、音色等方面的差异，利用智能算法模型对两者进行分离。分离过程中，能够最大程度地保留人声和背景音各自的完整性和音质，确保分离后的人声干声清晰可辨，背景音自然流畅，为后续的音视频处理和应用提供高质量的音频素材。

适用场景 #

• 人声凸显优化：对于来源复杂的视频，如手机拍摄的生活记录、现场录制的讲座、非专业播客录音等，通过人声背景音分离功能将人声单独分离后，可以定向对人声部分进行处理，如提升音量、优化音质、降低噪音等，显著提高音频中人声的清晰度。
• 视频翻译领域的声音复刻：在视频翻译时，借助人声背景音分离功能，可将视频中的人声单独提取出来，进行语音复刻，使其在音色、语调等方面与原人声保持高度一致，再结合 TTS 技术将翻译后的文本转换为对应语言的语音。
• 语音识别 ASR 优化：对音频进行人声提取后，将纯净的人声部分用于自动语音识别，能有效减少背景噪音等干扰因素对识别过程的影响，让 ASR 的整体准确率得到显著提升。
• 视频剪辑与二次创作：在视频剪辑和二次创作中，分离后的人声和背景音可分别进行处理，例如调整视频中某段对话的音量，或更换视频的背景音乐，使二次创作更加灵活高效。

能力与限制 #

计费说明 #

使用人声背景音分离会产生以下费用：

• 人声分离费用：按输入片源时长计费，价格为 0.07 元/分钟。
• 媒资存储费用：您上传用于处理的原始音视频文件，以及分离后生成的音频文件，都需要存储在视频点播空间中。这将根据存储量和存储时长产生费用，详见媒资存储计费。
• 视频分发费用：如果您通过视频点播的 CDN 分发加速功能来播放或下载生成的音频，将产生分发加速费用，详见分发加速计费。

前提条件 #

• 已注册火山引擎账号。如果您是首次登录，请先完成实名认证。
• 已开通视频点播服务并创建空间。
• 已将待处理的音视频文件上传至点播空间，并获取 Vid 或 FileName。

实现流程 #

步骤 1：提交人声背景音分离任务 #

调用 StartExecution 接口提交人声背景音分离任务。以下为任务的核心参数配置。关于完整的请求参数列表和详细说明，请参见 StartExecution API 参考。关键请求参数：

• Input: 指定输入文件。
  • Type: 设置为 Vid 或 DirectUrl。
  • Vid / DirectUrl: 提供待处理文件的 Vid 或 FileName 信息。
• Operation.Task: 定义要执行的任务。
  • Type: 必须设置为 AudioExtract，表示执行人声背景音分离任务。
  • AudioExtract.Voice: 必须设置为 true，表示提取人声。

请求示例：

POST https://vod.volcengineapi.com?Action=StartExecution&Version=2025-01-01
{
  "Input": {
    "Type": "Vid",
    "Vid": "v0d25cg10001***jcvqljht8dj05mde0"
  },
  "Operation": {
    "Type": "Task",
    "Task": {
      "Type": "AudioExtract",
      "AudioExtract": {
        "Voice": true
      }
    }
  }
}

成功提交后，系统将返回任务的唯一标识 RunId。请务必保存好此 ID，以便后续查询结果。

步骤 2：获取任务结果 #

任务提交后，系统将在后台进行异步处理。您可以通过以下任一方式获取结果：

• 主动查询：调用 GetExecution 接口，并传入步骤 1 中获取的 RunId 来获取任务结果。

  GET https://vod.volcengineapi.com?Action=GetExecution&Version=2025-01-01&RunId=hb:ebd05bee1f3873***f7316c742b5f
  

• 事件通知：

  1. 参考事件通知概述文档，配置一个用于接收回调的服务地址。在订阅事件时，勾选媒体处理任务执行完成事件。
  2. 当任务完成时，您的服务将收到一个 EventType 为 ExecutionComplete 的 HTTP POST 请求。

当返回结果中的 Status 字段值为 Success 时，表示任务已成功完成。您可以在 Output.Task.AudioExtract 字段中找到分离后的产物信息。以下为产物相关的核心返回字段。

以下是获取成功的人声背景音分离结果的示例：

{
  "ResponseMetadata": {
    // ... 省略通用元数据
  },
  "Result": {
    "RunId": "hb:ebd05bee1f3873***f7316c742b5f",
    "Status": "Success",
    // ... 省略任务元数据、输入、操作等信息
    "Output": {
      "Type": "Task",
      "Task": {
        "Type": "AudioExtract",
        "AudioExtract": {
          "Duration": 152.085,
          "Voice": {
            "Size": "2519064",
            "FileName": "speech.aac"
          },
          "Background": {
            "Size": "2845721",
            "FileName": "background.aac"
          }
        }
      }
    }
  }
}

步骤 3：基于 FileName 获取音频 URL #

在步骤 2：获取任务结果中，您已经获取到了输出音频文件的 FileName。接下来，您需要将其转换为公网可访问的 URL，以便于播放或下载。

一个基础的访问 URL 由以下部分组成：[Protocol]://[PlaybackDomain]/[FileName]

• [Protocol]：通常为 https 或 http。取决于您是否配置 SSL 证书。
• [PlaybackDomain]：您在点播控制台配置的加速域名。
• [FileName]：您从 GetExecution 结果中获取的产物 FileName。

拼接示例：假设您的加速域名为 play.example.com，获取到的人声文件 FileName 为 speech.aac，那么拼接后的 URL 为：https://play.example.com/speech.aac