一首编曲干净的流行歌多轨分离跑完鼓、贝斯、人声都摘得利落。把伴奏轨对着原版 A/B 切换音符一个不少动态也在但整体像隔了一层吸音棉镲片余韵短了半截弦乐的擦弦感磨平了。看频谱图10kHz 以上明显比原版矮了一层。这不是掉了音符是高频段的细碎能量在分离运算里被系统性削掉了。不是某个模型的 bug是这套技术路线的共性结果。先破除一个误解不是模型把高频砍了常见判断有两种怀疑输出被重采样或转码降过质或觉得模型偷懒做了低通。都不对。同一份 WAV 素材输出也是 WAV、采样率与位深一致高频仍然会矮一层——损失发生在分离运算内部不在编解码环节。也不是显式低通真做了低通频谱会在截止点断崖式垂下去实际测到的是从 68kHz 开始逐渐衰减的斜坡。斜坡意味着这是精度问题不是开关问题。模型不是不要高频是算不准高频算不准的部分只能保守输出。底层原理空气感是一堆低能量、高密度的信息所谓空气感Air主要由两类成分构成乐器泛音列的高阶部分8kHz 以上那几阶以及录音空间的早期反射与混响尾巴中的高频成分。共同特征是能量极低、时频分布极密。一段普通流行乐的能量分布大致是0–500Hz 约占总能量 70%–85%500Hz–4kHz 约占 12%–25%4k–10kHz 约占 1%–3%10kHz 以上 常低于 0.5%而分离的标准做法是短时傅里叶变换STFTShort-Time Fourier Transform把音频铺成时频图模型为每路声源预测一个掩码Mask逐点决定格子里的能量归谁再逆变换回波形。掩码值域 0 到 1输出等于观测值乘掩码。直接推论在能量只有千分之几的频段上掩码估错 0.3 造成的数值误差微乎其微但听感上就是一层空气没了。下面三个原因本质都在讲同一件事——高频掩码为什么估不准以及为什么没人有动力把它估准。原因一高频区的掩码边界天生更模糊STFT 的频率分辨率是线性的4096 点窗、44.1kHz 采样每个频点约 10.8Hz全频段一视同仁。但声音不是线性的。低频区100Hz 基频和二次谐波隔着 100Hz占着近十个频点界限清楚。到了 12kHz钢琴、镲片、弦乐、齿音的高阶泛音全挤在这里相邻谐波间距远小于一个临界带宽一个频点里往往同时坐着好几个声源。更麻烦的是高频瞬态。镲片、沙锤、弓弦摩擦是几毫秒级的宽带脉冲而 4096 点窗意味着约 93ms 的时间跨度瞬态被抹成一片能量云。时频不确定性在这里是硬约束想看清高频的时间细节就得缩短窗缩短窗又会让频率轴糊掉。结果是高频掩码的置信度普遍低于中频。模型不确定时倾向给中间值不敢全给也不敢全扔。多路输出各分一点每一路都缺一点。原因二重建损失对高频的惩罚权重太低这是最容易被忽略、但影响最大的一条。主流训练目标是让输出波形或幅度谱尽可能接近真实干轨损失函数多为 L1 或 L2——逐点算差值然后求和。问题就在求和。高频段能量本身只有千分之几算出来的误差绝对值也是千分之几量级对总损失的贡献可以忽略中低频只要差一点损失立刻上涨。梯度下降只朝着降总损失最快的方向走。训练过程会自动把参数容量集中到中低频因为那里的收益率高出两三个数量级。高频段等于被默认放弃——不是设计者选择放弃是优化目标隐含地这么要求。这也解释了一个常见困惑为什么客观指标SDR 之类不错听起来却发闷。SDR 同样是能量比值口径对占总能量 0.5% 的频段几乎不敏感。指标和听感的分歧不是玄学是加权方式不同。原因三训练数据里的高频内容本身就少前两条是算法侧这条是数据侧。公开可用的多轨干轨数据集规模有限相当一部分素材本身经历过有损压缩。常见编码策略在中低码率下会对 16kHz 以上做心理声学裁剪有的从 15kHz 就开始滚降。这类素材进了训练集模型学到的真实干轨上限就是被削过的版本它不可能输出没见过的东西。再加上母带环节为控制齿音和镲片刺耳感而做的压缩模型看到的高频动态范围比现实更窄。三条叠起来就是听感上那道斜坡高频估不准原因一、估不准也没人罚它原因二、参考答案本身就缺原因三。这不是三个独立的坑是同一个坑的三层土。参数与预期能守住多少取决于输入端高频损失无法消除但输入端的选择能决定它是少了一点空气还是闷成一团。不同轨对高频损失的敏感度也不一样贝斯几乎无影响有效信息全在 250Hz 以下底鼓军鼓轻微镲片与打击类最严重信息主体就在高频弦乐管乐明显擦弦、气声质感依赖高阶泛音伴奏总轨包含以上所有高频成分因此也明显。后处理补偿是把双刃剑既然缺高频补回去行不行部分场景可以但要清楚补的是什么。谐波激励器Harmonic Exciter根据现有中频内容生成高阶谐波再按比例混回。它补的是符合谐波规律的合成泛音不是原始录音里被削掉的信息。用在弦乐、镲片这类谐波结构规整的素材上可以接受用在混响尾巴、环境反射这类非谐波成分上只会得到一层生硬的沙沙声。用均衡器抬高频段则抬的是已经存在的残留能量会把分离残留的杂音、量化噪声一起抬起来。经验区间是 8kHz 以上抬升不超过 3dB用宽 Q 值的搁架式Shelf曲线不用窄峰。判断标准补偿是让伴奏在成品混音里不显得闷不是让它单独听起来接近原版。后者做不到。落地按先探底、再决定补不补的顺序做主线一条先确认损失量有多大再决定值不值得补。第一步选一段最能暴露高频的片段——有镲片密集敲击、有弦乐或明显混响尾巴的 15 秒。跑一次分离导出后和原版对切。这段的损失能接受整首就不用担心这段已经闷得离谱回头查源文件的码率和采样率八成问题在输入端。第二步全程保持 WAV只跑一轮。中间不要导出成 MP3 再导入每次有损重编码都会再削一层高频且这层损失会被下一轮分离当成真实内容继续处理。在线把降噪、多轨分离放在同一处能省掉中间的导出导入少一次重编码就少一层高频损耗对应参数表里全程 WAV、只处理一轮两条。第三步确有需要再做补偿且只在成品混音的上下文里判断效果。单独 solo 听伴奏轨永远会觉得差了点——那是正常的不是没调好。最后伴奏轨少的那点空气感是三层原因共同作用高频区的时频重叠让掩码估不准重建损失的能量加权让估不准没有代价训练数据的高频缺失又把参考答案削了一遍。把它当成这条路线的固有代价做法就清楚了输入端守住能守的输出端接受回不来的中间那点差距交给混音。判断这是模型没调好还是这就是上限比反复换模型有用得多。