YouTube 转伴奏：把任意歌曲做成卡拉OK music

YouTube 上没有"伴奏版"按钮。如果你想跟着某首歌唱——一首从来没发行过官方伴奏的歌、一首翻唱、或者一首本地点唱机根本没收录的外语歌——你只能自己做伴奏。

好消息是，这件事现在只要两步，五分钟搞定，而且不花钱。第一步是把歌曲变成音频文件，第二步是把这个文件丢给 AI 模型，让它把人声和其他所有声音分开。

快速答案

1. 复制这首歌的 YouTube 链接。
2. 用 OnlyMP3.tools 转成 320 kbps 的 MP3。 这一步选什么码率，比平时听歌重要得多，下面细说。
3. 把 MP3 上传到 AI 人声分离工具，比如 SongToKaraoke，它会把音轨拆成人声和伴奏两部分。
4. 下载伴奏那一轨，这就是你的卡拉OK music。

整个流程就这些。剩下的篇幅解释每一步为什么这么做、哪些歌能分得干净、以及结果不对劲时该怎么办。

为什么不能"直接把人声调小"

老一辈做伴奏的招数叫中置声道消除。主唱人声通常混在正中间，也就是左右声道的信号完全一样。把一个声道减去另一个，任何完全居中的声音都会被抵消——包括人声。

这招勉强能用，也正因如此，早在 AI 出现之前就有一堆免费的"消音"工具。但它有两个致命问题：

• 正中间的其他东西也一起没了。 底鼓、军鼓、贝斯基本上也都是居中的。你把歌手干掉的同时，整个节奏组也没了。
• 混响还留着。 人声的混响尾巴是立体声而不是居中的，所以你会听到一层幽灵般的演唱回音，但没有演唱本体。听起来相当阴间。

现在的 AI 分离走的是完全不同的路子。Demucs 这类模型是拿几万首有独立分轨的歌训练出来的，所以它学会的是人声听起来是什么样，而不是人声待在立体声场的哪个位置。它靠声音特征把人声抠出来，鼓、贝斯和其他乐器原封不动。

实际差距非常明显。中置消除给你一段单薄、空洞、没有鼓的东西；AI 分离给你的，听着就是真正的伴奏。

第一步：把歌下载成 MP3

把 YouTube 链接粘进 OnlyMP3.tools，选码率，下载。

选 320 kbps。 平时听歌，192 和 320 的区别绝大多数人听不出来，我们通常也说按需选就行。但人声分离是个例外，原因如下。

MP3 压缩的原理，是丢掉编码器判断你不会注意到的音频信息。码率越低丢得越多——尤其是高频部分，以及那些被更响的声音掩蔽掉的弱信号段落。而这些地方，恰恰就是分离模型用来区分"人声"和"吉他"的依据。你喂给它一个 128 kbps 的文件，等于是要它从已经被故意扔掉的数据里把人声重建出来。

失真会表现为伴奏里一种水声般的、飘忽的质感，在镲片和混响尾音上最明显。道理跟你不该去修一张已经被低质量 JPEG 压过五轮的照片一样。

想完整了解每个码率档位到底牺牲了什么，可以看OnlyMP3 码率指南。

还有一点要知道：源视频的质量是你抬不高的天花板。 如果这首歌是别人拿低质量音源传上 YouTube 的，你选 320 kbps 只会得到一个体积很大的烂音频。尽量找官方艺人频道，或者官方的 "Artist - Topic" 频道——那些通常是唱片公司母带直接推送的。

第二步：分离人声

把 MP3 上传到 AI 分离工具。SongToKaraoke 就是专门干这个的——传一首歌，它给你一份可以直接下载、直接开唱的无人声伴奏。如果你连鼓和贝斯也想要单独文件，也有做多轨拆分的通用工具，但做卡拉OK只需要两轨就够。

处理时间一般在半分钟到几分钟之间，取决于歌有多长。模型跑在服务器上，所以手机性能差不影响。

你拿回来的是一条伴奏轨：同一首歌，同样的速度、同样的调、同样的编曲，只是没有了主唱。

哪些歌能分干净，哪些不行

效果因曲风和制作方式差别很大。这是决定你满不满意的最大变量。

歌曲类型	通常效果	原因
现代流行、嘻哈、电音	极好	多轨制作干净，人声混得独立，训练数据也最多
摇滚、金属	好	人声分得出来；失真很重的吉他偶尔会干扰模型
民谣、创作歌手	好到一般	人声和木吉他频段重叠，会有一些串音
带管乐的爵士、灵魂乐	一般	萨克斯、小号的音域和人声重叠
合唱、歌剧、大量阿卡贝拉	差	当"乐器"本身也是人声，就没什么可分的
现场录音、私录版	差	观众噪音和场地串音污染了每一轨
1965 年前的老单声道录音	一般到差	所有声音挤在一个声道里，还有很重的磁带压缩

大原则是：原始录音里人声越独立，模型就越能把它还原出来。 在隔音棚里分开录的棚制流行歌能分得非常漂亮；1958 年用两支麦克风录的现场爵士就不行。

"效果好"到底是什么水平

就算分得很干净，也不等于官方发行的伴奏版。你应该预期到：

• 响的段落偶尔有人声残影，尤其是长音。
• 镲片会稍微发闷。 高频正是人声和镲重叠最多的地方，模型有时会削过头。
• 和声可能保得住，也可能保不住。 大多数模型把和声和叠录人声都算作"人声"，会连着主唱一起去掉。如果这首歌的副歌靠的就是层层叠叠的和声，伴奏会显得很空。

自己在家唱、聚会唱、或者练歌，这些都无所谓。但如果你打算把演唱录下来发出去，先把整轨从头到尾仔细听一遍。

常见用途

• 家庭卡拉OK：唱那些点唱平台没有版权的歌——外语歌、独立发行、专辑里的冷门曲目。
• 练声。 歌手用伴奏按原速、原编曲练歌，比用钢琴缩谱真实得多。
• 试音和翻唱。 用原曲提取的伴奏，效果远好过 MIDI 做的粗糙模拟。
• 音乐教学。 课上放伴奏，房间里唯一的人声就是学生自己的。
• 舞蹈和编舞，人声反而干扰数拍子。

出问题怎么办

伴奏里还隐约有人声。 一般是源文件质量的问题。找一个画质音质最好的版本，重新用 320 kbps 下一遍再试。如果这首歌本身是很密的现场混音、或者和声特别多，那可能就到极限了。

伴奏听起来单薄、像"泡在水里"。 典型的低码率输入失真。检查一下你下的是多少码率，如果是 128 或 192，用 320 重做。

鼓跟人声一起消失了。 这是中置声道消除的典型特征，不是 AI 分离。有些免费"消音"网站到现在还在用老的相减法。换一个真正做分轨分离的工具。

上传失败或者超时。 超长文件（DJ set、整场演唱会录音、一小时的混音）可能超出处理上限。先剪出你真正要的那首歌。

下载下来是 .html 而不是音频文件。 说明那个转换器给你的是广告跳转页而不是文件。这是个危险信号——参考我们那篇怎样挑选转换器。

关于版权

为了自己练歌或者家庭卡拉OK而制作伴奏版，在大多数司法辖区通常被视为个人使用。但把这条伴奏发布出去、拿去卖、或者当作有商业收益内容的配乐，那是另一回事——不管你从文件里删掉了什么，词曲版权和录音版权都还在。

你的卡拉OK之夜只发生在客厅里，没问题。要是传到了有收益的频道上，那就得研究授权了。

常见问题

需要装什么软件吗？ 不需要。两步都在浏览器里完成。下载 MP3 在 OnlyMP3.tools 上做，分离在对方服务器上跑。

手机上能做吗？ 可以，两步都是网页版。唯一麻烦的是 iOS 上的文件管理——MP3 会落在"文件"App 的"下载"里，从那儿上传就行。

做出来的伴奏还是原调吗？ 是。分离不会改变音高和速度。如果你需要移调，那是拿到伴奏之后的另一道工序。

能只要人声吗？ 能，同一次处理会产出两轨。单独的人声轨（也就是"阿卡贝拉"）是这次拆分的另一半，做混音或者研究歌手唱法时很有用。

为什么我的结果比官方伴奏差？ 因为官方伴奏是真正的多轨在混音时不加人声轨；而分离是一种重建——它是在推测原本有什么。这几年差距缩小了非常多，但还没抹平。

320 kbps 真的有必要吗？ 在这个流程里，比平时听歌重要得多。分离质量的上限，直接由压缩后还剩多少原始音频信息决定。

结语

两步：先拿到干净的 MP3，再把人声拆出来。第一步选的码率决定了第二步的天花板，这也是整个流程里唯一一个不那么直觉的点——哪怕你平时随便听听就够了，这次也要下 320 kbps。

先去 OnlyMP3.tools 把歌下下来，然后丢给 SongToKaraoke 出伴奏。