MSST

镜像作者：bilibili@爱过_留过

交流群：172701496

详细文档地址：https://r1kc63iz15l.feishu.cn/wiki/JSp3wk7zuinvIXkIqSUcCXY1nKc

镜像使用交流群

视频

# MSST 是什么 这是一个用于 [Music-Source-Separation-Training (MSST) ](https://github.com/ZFTurbo/Music-Source-Separation-Training)的 WebUI，MSST 是一个用于训练音乐源分离模型的仓库。 你可以使用这个 WebUI 推断 MSST 模型和 VR 模型，`预设流程`页面允许您自定义处理流程。在`安装模型`界面安装模型。如果你之前已经下载了 [Ultimate Vocal Remover (UVR)](https://github.com/Anjok07/ultimatevocalremovergui)，则无需重新下载VR模型。直接进入`设置`页面，选择你的 UVR5 模型文件夹。在 WebUI 中还提供了一些便捷的工具，例如 [Singing-Oriented MIDI Extractor (SOME)](https://github.com/openvpi/SOME/)、更高级的合奏模式等。

如何运行 MSST

通过镜像可以一键部署实例，部署成功后，可以在实例列表中看到实例对应的公网IP：

启动 WebUI 服务 按顺序执行以下命令，启动 WebUI 服务：

1. 进入项目目录：

cd /root/MSST

2. 设置 Matplotlib 的默认渲染后端为 Agg：

export MPLBACKEND=Agg

3. 启动 WebUI 服务：

/root/miniconda3/bin/python webUI.py --use_cloud --language "zh_CN" -d --model_download_link "hf-mirror.com" --ip_address "0.0.0.0" --port "7860"

WebUI 服务默认运行在7860端口，启动成功后你可以在控制台看到如下输出：

接着，通过本地浏览器访问http://<公网IP>:7860打开 WebUI 页面：

官方为中文用户提供了一些详细的中文文档，点击 这里 跳转，下面我以MSST分离功能作为示例进行演示。

MSST 分离演示示例

点击顶部导航栏中的MSST分离选项，来到MSST分离功能页。

1. 设置模型类型

MSST提供了三种模型类型：

• 多音轨分离模型 (multi_stem_models)
• 单音轨分离模型 (single_stem_models), 通常只提取两个音轨：目标音轨和剩余音频
• 人声和伴奏分离模型 (vocal_models) 这里我选择使用vocal_models类型和melband_roformer_instvox_duality_v2.ckpt模型来分离人声和伴奏：

2. 设置基本参数

• 输出格式：支持 wav、flac 和 mp3 格式输出。高级输出设置请参阅音频输出设置。
• 输出音轨：不同模型对应不同的输出音轨，按需选择即可，支持多选；如果不勾选，则默认输出所有音轨。
• 推理设备：不建议使用CPU。例如，4分钟的音频在AMD Ryzen 7 6800H（12核）上推理就需要30-40分钟。建议使用GPU以加快处理速度。
• 输入音频：可以上传一个或多个音频文件，或选择一个文件夹以处理该文件夹中的所有音频文件（通过输入文件夹上传）。 这里我部署实例时选择了2张RTX4090显卡，所以可以看到两个GPU选项，两个都可以勾选上：

3. 设置推理参数

3.1. 常见参数解释

• batch_size：一次处理的批次数。默认为1，增大此值会增加显存占用，但对速度提升有限。建议保持默认值。
• num_overlap：窗口重叠长度。数值越小推理速度越快，但效果会有所牺牲。建议设为4以平衡速度和质量，设为2可显著提升速度但牺牲部分质量。
• chunksize：音频切片大小。增大此值可以提高分离效果，但会增加处理时间和显存占用。建议设为44100的整数倍或0.5倍（如5倍、7.5倍、10倍等），以确保模型正常工作。

3.2. 其他注意事项

• 启用TTA会将处理时间增加三倍，但对质量提升不明显，不建议启用。
• 部分模型支持音频归一化功能，可以启用以优化输出效果。
• 不同模型的参数相互独立，修改的参数仅对当前选择的模型生效。
• 修改参数后需点击保存，参数才会生效。若需恢复默认设置，可点击重置按钮。

4. 上传文件

这里我选择输入音频，上传了一个待处理的音频文件：

这里建议将超长音频进行切分，最好每段不超过1小时，以避免出现内存不足的问题。

5. 开始分离

完成上述参数设置，并且等待音频上传完成后，点击输入音频按钮即可开始分离：

你的硬件配置、选择的模型以及模型的参数设置将会影响到音频分离所需的时间，稍等片刻，分离完成后将会在输出信息(Output Message)中提示处理结果和保存文件的目录路径：

6. 下载文件

分离完成后，我们需要到文件管理页点击刷新input和results文件列表按钮，必须刷新后才能看到上一步完成分离后的文件列表。 刷新后，在results文件列表中可以看到分离的人声和伴奏音频文件：

最后，点击打包results文件夹内所有文件按钮，将results文件夹内所有的音频文件打包成压缩包后，就可以点击下载了：

资源

• GitHub 仓库：https://github.com/SUC-DriverOld/MSST-WebUI