YouTube 轉伴奏：把任意歌曲做成卡拉OK音軌
2026-08-04
YouTube 上沒有「伴奏版」按鈕。如果你想跟著某首歌唱——一首從來沒發行過官方伴奏的歌、一首翻唱、或者一首本地點唱機根本沒收錄的外語歌——你只能自己做伴奏。
好消息是，這件事現在只要兩步，五分鐘搞定，而且不用花錢。第一步是把歌曲變成音訊檔，第二步是把這個檔案丟給 AI 模型，讓它把人聲和其他所有聲音分開。
快速答案
- 複製這首歌的 YouTube 連結。
- 用 OnlyMP3.tools 轉成 320 kbps 的 MP3。 這一步選什麼位元率，比平常聽歌重要得多，下面細說。
- 把 MP3 上傳到 AI 人聲分離工具，例如 SongToKaraoke，它會把音軌拆成人聲和伴奏兩部分。
- 下載伴奏那一軌，這就是你的卡拉OK音軌。
整個流程就這些。剩下的篇幅解釋每一步為什麼這麼做、哪些歌能分得乾淨、以及結果不對勁時該怎麼辦。
為什麼不能「直接把人聲調小」
老一輩做伴奏的招數叫中置聲道消除。主唱人聲通常混在正中間，也就是左右聲道的訊號完全一樣。把一個聲道減去另一個，任何完全置中的聲音都會被抵消——包括人聲。
這招勉強能用，也正因如此，早在 AI 出現之前就有一堆免費的「消音」工具。但它有兩個致命問題：
- 正中間的其他東西也一起沒了。 大鼓、小鼓、貝斯基本上也都是置中的。你把歌手幹掉的同時，整個節奏組也沒了。
- 殘響還留著。 人聲的殘響尾巴是立體聲而不是置中的，所以你會聽到一層幽靈般的演唱回音，卻沒有演唱本體。聽起來相當詭異。
現在的 AI 分離走的是完全不同的路子。Demucs 這類模型是拿幾萬首有獨立分軌的歌訓練出來的，所以它學會的是人聲聽起來是什麼樣，而不是人聲待在立體聲場的哪個位置。它靠聲音特徵把人聲摳出來，鼓、貝斯和其他樂器原封不動。
實際差距非常明顯。中置消除給你一段單薄、空洞、沒有鼓的東西；AI 分離給你的，聽起來就是真正的伴奏。
第一步：把歌下載成 MP3
把 YouTube 連結貼進 OnlyMP3.tools，選位元率，下載。
選 320 kbps。 平常聽歌，192 和 320 的差別絕大多數人聽不出來，我們通常也說按需選就好。但人聲分離是個例外，原因如下。
MP3 壓縮的原理，是丟掉編碼器判斷你不會注意到的音訊資訊。位元率越低丟得越多——尤其是高頻部分，以及那些被更響的聲音遮蔽掉的弱訊號段落。而這些地方，恰恰就是分離模型用來區分「人聲」和「吉他」的依據。你餵給它一個 128 kbps 的檔案，等於是要它從已經被故意扔掉的資料裡把人聲重建出來。
失真會表現為伴奏裡一種水聲般的、飄忽的質感，在鈸和殘響尾音上最明顯。道理跟你不該去修一張已經被低品質 JPEG 壓過五輪的照片一樣。
想完整了解每個位元率檔位到底犧牲了什麼，可以看OnlyMP3 位元率指南。
還有一點要知道：來源影片的品質是你抬不高的天花板。 如果這首歌是別人拿低品質音源傳上 YouTube 的，你選 320 kbps 只會得到一個體積很大的爛音訊。盡量找官方藝人頻道，或者官方的 "Artist - Topic" 頻道——那些通常是唱片公司母帶直接推送的。
第二步：分離人聲
把 MP3 上傳到 AI 分離工具。SongToKaraoke 就是專門做這件事的——傳一首歌，它給你一份可以直接下載、直接開唱的無人聲伴奏。如果你連鼓和貝斯也想要獨立檔案，也有做多軌拆分的通用工具，但做卡拉OK只需要兩軌就夠。
處理時間一般在半分鐘到幾分鐘之間，取決於歌有多長。模型跑在伺服器上，所以手機效能差不影響。
你拿回來的是一條伴奏軌：同一首歌，同樣的速度、同樣的調、同樣的編曲，只是沒有了主唱。
哪些歌能分乾淨，哪些不行
效果因曲風和製作方式差別很大。這是決定你滿不滿意的最大變數。
| 歌曲類型 | 通常效果 | 原因 |
|---|---|---|
| 現代流行、嘻哈、電音 | 極好 | 多軌製作乾淨，人聲混得獨立，訓練資料也最多 |
| 搖滾、金屬 | 好 | 人聲分得出來；失真很重的吉他偶爾會干擾模型 |
| 民謠、創作歌手 | 好到普通 | 人聲和木吉他頻段重疊，會有一些串音 |
| 帶管樂的爵士、靈魂樂 | 普通 | 薩克斯風、小號的音域和人聲重疊 |
| 合唱、歌劇、大量阿卡貝拉 | 差 | 當「樂器」本身也是人聲，就沒什麼可分的 |
| 現場錄音、私錄版 | 差 | 觀眾噪音和場地串音污染了每一軌 |
| 1965 年前的老單聲道錄音 | 普通到差 | 所有聲音擠在一個聲道裡，還有很重的磁帶壓縮 |
大原則是：原始錄音裡人聲越獨立，模型就越能把它還原出來。 在隔音間裡分開錄的錄音室流行歌能分得非常漂亮；1958 年用兩支麥克風錄的現場爵士就不行。
「效果好」到底是什麼水準
就算分得很乾淨，也不等於官方發行的伴奏版。你應該預期到：
- 響的段落偶爾有人聲殘影，尤其是長音。
- 鈸會稍微發悶。 高頻正是人聲和鈸重疊最多的地方，模型有時會削過頭。
- 和聲可能保得住，也可能保不住。 大多數模型把和聲和疊錄人聲都算作「人聲」，會連著主唱一起去掉。如果這首歌的副歌靠的就是層層疊疊的和聲，伴奏會顯得很空。
自己在家唱、聚會唱、或者練歌，這些都無所謂。但如果你打算把演唱錄下來發出去，先把整軌從頭到尾仔細聽一遍。
常見用途
- 家庭卡拉OK：唱那些點唱平台沒有版權的歌——外語歌、獨立發行、專輯裡的冷門曲目。
- 練唱。 歌手用伴奏按原速、原編曲練歌，比用鋼琴縮譜真實得多。
- 試音和翻唱。 用原曲提取的伴奏，效果遠好過 MIDI 做的粗糙模擬。
- 音樂教學。 課堂上放伴奏，房間裡唯一的人聲就是學生自己的。
- 舞蹈和編舞，人聲反而干擾數拍子。
出問題怎麼辦
伴奏裡還隱約有人聲。 一般是來源檔案品質的問題。找一個音質最好的版本，重新用 320 kbps 下一遍再試。如果這首歌本身是很密的現場混音、或者和聲特別多，那可能就到極限了。
伴奏聽起來單薄、像「泡在水裡」。 典型的低位元率輸入失真。檢查一下你下的是多少位元率，如果是 128 或 192，用 320 重做。
鼓跟人聲一起消失了。 這是中置聲道消除的典型特徵，不是 AI 分離。有些免費「消音」網站到現在還在用老的相減法。換一個真正做分軌分離的工具。
上傳失敗或者逾時。 超長檔案（DJ set、整場演唱會錄音、一小時的混音）可能超出處理上限。先剪出你真正要的那首歌。
下載下來是 .html 而不是音訊檔。
說明那個轉換器給你的是廣告跳轉頁而不是檔案。這是個危險訊號——參考我們那篇怎樣挑選轉換器。
關於版權
為了自己練歌或者家庭卡拉OK而製作伴奏版，在大多數司法管轄區通常被視為個人使用。但把這條伴奏發布出去、拿去賣、或者當作有商業收益內容的配樂，那是另一回事——不管你從檔案裡刪掉了什麼，詞曲版權和錄音版權都還在。
你的卡拉OK之夜只發生在客廳裡，沒問題。要是傳到了有收益的頻道上，那就得研究授權了。
常見問題
需要裝什麼軟體嗎？ 不用。兩步都在瀏覽器裡完成。下載 MP3 在 OnlyMP3.tools 上做，分離在對方伺服器上跑。
手機上能做嗎？ 可以，兩步都是網頁版。唯一麻煩的是 iOS 上的檔案管理——MP3 會落在「檔案」App 的「下載項目」裡，從那兒上傳就行。
做出來的伴奏還是原調嗎？ 是。分離不會改變音高和速度。如果你需要移調，那是拿到伴奏之後的另一道工序。
能只要人聲嗎？ 能，同一次處理會產出兩軌。單獨的人聲軌（也就是「阿卡貝拉」）是這次拆分的另一半，做混音或者研究歌手唱法時很有用。
為什麼我的結果比官方伴奏差？ 因為官方伴奏是真正的多軌在混音時不加人聲軌；而分離是一種重建——它是在推測原本有什麼。這幾年差距縮小了非常多，但還沒抹平。
320 kbps 真的有必要嗎？ 在這個流程裡，比平常聽歌重要得多。分離品質的上限，直接由壓縮後還剩多少原始音訊資訊決定。
結語
兩步：先拿到乾淨的 MP3，再把人聲拆出來。第一步選的位元率決定了第二步的天花板，這也是整個流程裡唯一一個不那麼直覺的點——哪怕你平常隨便聽聽就夠了，這次也要下 320 kbps。
先去 OnlyMP3.tools 把歌下下來，然後丟給 SongToKaraoke 出伴奏。