noblebarkrr/mvsepless

CLI wrapper for MSST and UVR in Google Colab

Python

350 commits

updated Oct 12, 2026

See the code

README

MVSepless

/непростая обёртка/ для audio-separator и Music-Source-Separation-Training

Информация о моделях

Всю актуальную информацию о доступных моделях можно увидеть на отдельной странице:

https://mvsepless-resources.github.io/model_info_page/

(используется информация из репозитория noblebarkrr/mvsepless_resources на Hugging Face)

Источники моделей

Hugging Face ("hface", "hf", "huggingface") - Оригинал
Github ("github", "gh") - Перезалив оригинала на Github Releases (более быстрая загрузка, чекпоинты тяжелее 2 гб разделены на несколько частей, по 2 гб каждая)
ModelScope ("mscope", "ms", "modelscope") - Запасной вариант (редко обновляется, зачастую загрузка очень медленная)

Фишки

Извлечение инструментала (инверсии выбранных стемов)
Встроенный авто-ансамбль, с возможностью выбрать основной стем для добавления в ансамбль
Базовый итеративный ансамбль
Создание собственных гибких пресетов разделения
Дополнительные параметры разделения, как в UVR
История обработок (Только в Web-UI)
Пакетная обработка по умолчанию (кроме авто-ансамбля и вычитания)
Поддержка метаданных (при установленном пакете pytaglib)
Язык интерфейса изменяется через переменную окружения MVSEPLESS_LANGUAGE

Содержание

Установка
VBach - Форк PolGen
Специфичные атрибуты конфигов Roformer моделей
Шаблоны имен файлов
Типы ансамбля
Пресеты разделения
Кастомные каталоги моделей
Пример пресета для авто-ансамбля
Пример пресета для итеративного ансамбля
Пример использования
Параметры методов класса Separator
Все параметры командной строки

🛠️ Установка

Совместимость:

Python: 3.10-3.12 (версии 3.13 и 3.14 тестируются)
Pytorch: 1.13-latest

Подготовка среды выполнения

Windows:

Установите Python с включенными опциями Add Python 3.x to PATH и Disable path length limit: https://www.python.org/ftp/python/3.11.6/python-3.11.6-amd64.exe
Скачайте архив с FFMPEG, распакуйте его и добавьте распакованную папку в переменную PATH: https://github.com/BtbN/FFmpeg-Builds/releases/download/latest/ffmpeg-master-latest-win64-gpl.zip
Установите Microsoft Visual C++ 2015-2022 (x64): https://aka.ms/vs/17/release/vc_redist.x64.exe
Установите Microsoft C++ Build Tools и после установки перезапустите компьютер: https://visualstudio.microsoft.com/visual-cpp-build-tools/
Выберите Desktop development with C++
Установите PyTorch: https://pytorch.org/get-started/locally/
Скачайте и распакуйте архив: https://github.com/noblebarkrr/mvsepless/archive/refs/heads/dzeta.zip
Откройте командную строку в распакованной папке

Установка `pytaglib` (опционально):

pip install pytaglib

Для случаев, когда бинарный файл для Python-пакета `pytaglib` недоступен для вашей среды выполнения:

Скачайте и распакуйте архив: https://github.com/supermihi/pytaglib/archive/refs/heads/main.zip

Затем:

- Откройте командную строку встроенных инструментов Visual Studio (Native Tools Command Prompt)
- Установите setuptools версией ниже, чем 61.0.0 pip install "setuptools<61.0.0"
- Перейдите в репозиторий pytaglib (распакованную папку)
- Выполните python build_native_taglib.py, который загрузит и соберет последний официальный релиз TagLib (только на x64)
- Выполните python setup.py install

Linux (Ubuntu/Debian):

# Установка базовых зависимостей
apt update -y
apt upgrade -y
apt install -y wget curl git gcc libx11-dev ffmpeg build-essential cmake nano python3-full python3-pip python3-dev libutfcpp-dev

# Клонирование репозитория

git clone https://github.com/noblebarkrr/mvsepless -b dzeta --depth 1
cd mvsepless

# Если пакеты не устанваливаются без виртуального окружения
python3 -m venv env
source env/bin/activate

python3 -m pip install ninja cmake

Установка `pytaglib` (опционально):

# Сборка библиотеки taglib (если нет подходящего бинарного файла для pytaglib)
git clone https://github.com/taglib/taglib
cd taglib
mkdir build && cd build
cmake -DCMAKE_INSTALL_PREFIX=/usr -DCMAKE_BUILD_TYPE=Release -DCMAKE_CXX_FLAGS="-fPIC" -DCMAKE_POSITION_INDEPENDENT_CODE=ON -DBUILD_SHARED_LIBS=ON ..
make
make install
# Выходим из папки taglib/build
cd ../..

pip install pytaglib

Установка зависимостей

через uv:

pip install uv
# Обычные зависимости
uv pip install --no-cache-dir -r requirements.txt
# Устаревшие зависимости (только Python 3.10)
uv pip install --no-cache-dir -r requirements_old_torch_py310.txt

через pip (медленее):

# Обычные зависимости
pip install -r requirements.txt
# Устаревшие зависимости (только Python 3.10)
pip install -r requirements_old_torch_py310.txt

VBach (форк PolGen-RVC)

Документация

Специфичные атрибуты конфигов Roformer моделей

Все атрибуты находятся здесь

Шаблоны имен файлов

Для разделения (separate, custom_separate):

NAME — имя входного файла (без расширения)
STEM — название стема (например: vocals, instrumental)
MODEL — имя модели (например: bs_6stem)

Пример: NAME_STEM_MODEL → Song_vocals_bs_6stem

Для итеративного ансамбля:

NAME — имя входного файла (без расширения)
ITER — номер итерации (iter_N)

Пример: NAME_ITER → Song_iter_3

Для авто-ансамбля (auto_ensemble):

NAME — имя входного файла (без расширения)
TYPE — тип ансамбля (например: min_fft, avg_fft)
COUNT — количество используемых моделей/файлов

Пример: NAME_COUNT_TYPE → Song_7_min_fft

Для ручного ансамбля (manual_ensemble):

NAME — имя входного файла (без расширения)
TYPE — тип ансамбля (например: min_fft, avg_fft)

Пример: NAME_TYPE → Song_min_fft

Для вычитания (subtract):

NAME — имя входного файла (без расшириения)
TYPE — тип инверсии (например: waveform, spectrogram)

Пример: NAME_TYPE → Song_waveform

Для коррекции фазы (phase_fixer): NAME — имя целевого файла (без расширения) TYPE — тип операции (phase_fix)

Пример: NAME_TYPE → Song_phase_fix

Типы ансамбля

Тип	Описание
`avg_fft`	Среднее, стабильный результат (требуются веса)
`median_fft`	Медиана (эффективно от 3+ аудио)
`min_fft`	Минимум, более чистый результат
`max_fft`	Максимум, более полный, но "грязный" результат

Пресеты разделения

Схема пресета и информация о нодах находятся здесь

Кастомные каталоги моделей

Схема каталога и правила работы с ним находятся здесь

Пример пресета для авто-ансамбля

Python

[
    ["имя_модели1", "основной_стем1", False, 1],
    ["имя_модели2", "основной_стем2", False, 2],
    ...
]

[
    [str, str, bool, float],
    [str, str, bool, float],
    ...
]

JSON

[
    ["имя_модели1", "основной_стем1", false, 1],
    ["имя_модели2", "основной_стем2", false, 2],
    ...
]

[
    [str, str, bool, float],
    [str, str, bool, float],
    ...
]

В командной строке

--flow имя_модели1:основной_стем_1:False:1 имя_модели2:основной_стем_2:False:2 ...

--flow str:str:bool:float str:str:bool:float

Пример пресета для итеративного ансамбля

Python

[
    ["имя_модели1", "основной_стем1", False],
    ["имя_модели2", "основной_стем2", False],
    ...
]

[
    [str, str, bool],
    [str, str, bool],
    ...
]

JSON

[
    ["имя_модели1", "основной_стем1", false],
    ["имя_модели2", "основной_стем2", false],
    ...
]

В командной строке

--flow имя_модели1:основной_стем_1:False имя_модели2:основной_стем_2:False ...

--flow str:str:bool str:str:bool

🚀 Пример использования

Web-UI

Через командную строку


python app.py --share

Напрямую

from app import App

app = App()
app_ui = app.UI(theme, False)
app_ui.launch(
  allowed_paths=["/"],
  debug=True, 
  share=True, # Если нужно сделать общий доступ к Web-UI
  server_port=7860,
  server_name="0.0.0.0"
)

Информация о моделях

Через командную строку

# Список с фильтром
python inference.py info -limit 0 -stem "vocals"
# Полный список
python inference.py info
# Обновление информации о моделях
python inference.py info -update

Напрямую

from inference import Separator

separator = Separator() # Инициализация класса
separator.update_info() # Обновление информации о моделях
separator.show_info(
  0, # Лимит количества отображаемых моделей
  "vocals", # Название стема (если указан, будут показаны только модели с данным стемом)
  False # Только установленные модели (при True)
)

Пример вывода:

                              Информация о моделях                              
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ Имя модели                               ┃ Выходные стемы                    ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┩
│ установлено                              │ целевой инструмент                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_fno_unwa                         │ other, vocals                     │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_large2_unwa                      │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_hyperace_unwa                    │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_hyperace2_unwa                   │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_voc_hyperace2_unwa                    │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_karaoke_becruily                      │ Instrumental, Vocals              │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_voctest_gabox                         │ Instrumental, Vocals              │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_karaoke_gabox                         │ other, vocals                     │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_karaoke_inv_gabox                     │ other, vocals                     │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_6stem                                 │ bass, drums, guitar, other,       │
│                                          │ piano, vocals                     │
└──────────────────────────────────────────┴───────────────────────────────────┘

Разделение

Через командную строку

python inference.py separate -i "audio.mp3" -o "output" -of mp3 -mn "bs_6stem" -tm "NAME_STEM"

Напрямую

from inference import Separator

separator = Separator()
model_name = "bs_6stem"
separator.download(model_name) # Скачивание модели без запуска инференса

results = separator.separate(
  "audio.mp3",           # Входной файл/папка
  "output",              # Директория вывода
  "mp3",                 # Формат вывода
  "NAME_STEM",           # Шаблон имени файла
  model_name             # Имя модели
)

Разделение с кастомной моделью

Через командную строку

python inference.py custom_separate -i "audio.mp3" -o "output" -of mp3 -ckpt "bs_6stem.ckpt" -conf "bs_6stem_config.yaml" -mt "bs_roformer" -tm "NAME_STEM"

Напрямую

from inference import Separator

separator = Separator()

results = separator.custom_separate(
  "audio.mp3",                   # Входной файл/папка
  "output",                      # Директория вывода
  "mp3",                         # Формат вывода
  "NAME_STEM",                   # Шаблон имени файла
  "bs_roformer",                 # Тип модели
  "bs_6stem.ckpt",               # Путь к чекпоинту
  "bs_6stem_config.yaml"         # Путь к конфигу
)

Итеративный ансамбль (пример использования)

Через командную строку

Пример пресета для итеративного ансамбля

# Пресет в виде списка
python inference.py iterative_ensemble -i "audio.mp3" -o "output" -of mp3 -tm "NAME_ITER" -flow "bs_6stem:vocals:False" "mbr_inst1e_unwa:vocals:False" -n 4

# С сохранением промежуточных результатов
python inference.py iterative_ensemble -i "audio.mp3" -o "output" -of mp3 -tm "NAME_ITER" -flow "bs_6stem:vocals:False" "mbr_inst1e_unwa:vocals:False" -n 4 -save_intermediate

# Пресет в виде json-файла
python inference.py iterative_ensemble -i "audio.mp3" -o "output" -of mp3 -tm "NAME_ITER" -json "iterative_flow.json" -n 4

Напрямую

from inference import Separator

separator = Separator()
flow = [
    ["bs_6stem", "vocals", True],      # [модель, осн. стем, инверсия]
    ["mbr_inst1e_unwa", "vocals", False]
]

result_path, intermediate_files = separator.iterative_ensemble(
    "audio.mp3",        # Входной файл
    "output",           # Директория вывода
    flow,               # Пресет ансамбля
    num_iters=4,        # Количество итераций
    output_format="mp3",# Формат вывода
    template="NAME_ITER", # Шаблон имени файла
    save_intermediate=True  # Сохранять промежуточные результаты
)

print(f"Финальный результат: {result_path}")
print(f"Промежуточные файлы: {intermediate_files}")

Авто-ансамбль

Через командную строку

Пример пресета для авто-ансамбля

# Пресет в виде списка списков
python inference.py auto_ensemble -i "audio.mp3" -o "output" -of mp3 -type avg_fft -tm "NAME_TYPE" -flow "bs_6stem:vocals:True:1" "mbr_inst1e_unwa:other:False:1"

# Пресет в виде json-файла
python inference.py auto_ensemble -i "audio.mp3" -o "output" -of mp3 -type avg_fft -tm "NAME_TYPE" -json "ensemble_flow.json"

Напрямую

from inference import Separator

separator = Separator()
flow = [
    ["bs_6stem", "vocals", True, 1],      # [модель, осн. стем, инверсия, вес]
    ["mbr_inst1e_unwa", "other", False, 1]
]

result, invert_result = separator.auto_ensemble(
  "audio.mp3",           # Входной файл
  "output",              # Директория вывода
  flow,                  # Пресет ансамбля
  "NAME_TYPE",           # Шаблон имени файла
  "avg_fft",             # Тип ансамбля
  "mp3"                  # Формат вывода
)

Ручной ансамбль

Через командную строку

python inference.py manual_ensemble -i "audio1.mp3" "audio2.mp3" -o "output" -of mp3 -type avg_fft -tm "NAME_TYPE" -w 1 1

Напрямую

from inference import Separator

separator = Separator()

result = separator.manual_ensemble(
  ["audio1.mp3", "audio2.mp3"],  # Входные файлы
  "output",                      # Директория вывода
  [1, 1],                        # Веса
  "NAME_TYPE",                   # Шаблон имени файла
  "avg_fft",                     # Тип ансамбля
  "mp3"                          # Формат вывода
)

Вычитание

Через командную строку

python inference.py subtract -i1 "audio1.mp3" -i2 "audio2.mp3" -o "output" -of mp3 -tm "NAME_TYPE"

Напрямую

from inference import Separator

separator = Separator()

result = separator.subtract(
  "audio1.mp3",                  # Оригинал
  "audio2.mp3",                  # Стем
  "output",                      # Директория вывода
  "mp3"                          # Формат вывода
  [1, 1],                        # Веса
  False,                         # Использовать ли спектрограмму при вычитании?
  "avg_fft",                     # Тип ансамбля
)

Коррекция фазы

Через командную строку

python inference.py phase_fixer -i1 "target.wav" -i2 "source.wav" -o "output" -of wav -tm "NAME_TYPE" --transfer_phase --freq_blend --low_cutoff 500 --high_cutoff 5000

Напрямую

from inference import Separator
separator = Separator()
result = separator.phase_fixer(
  "target.wav",                  # Целевое аудио (амплитуда сохраняется по умолчанию)
  "source.wav",                  # Опорное аудио (донор фазы)
  "output",                      # Директория вывода
  "wav",                         # Формат вывода
  "NAME_TYPE",                   # Шаблон имени файла
  transfer_magnitude=False,      # Перенос амплитуды из source
  transfer_phase=True,           # Перенос фазы из source
  freq_blend_phases=True,        # Частотное смешение фаз
  low_cutoff=500,                # Нижняя граница смешения (Гц)
  high_cutoff=5000,              # Верхняя граница смешения (Гц)
  prefer_float=False
)

Пресеты (Preset)

Через командную строку

python inference.py preset -i "audio.mp3" -o "output" -of mp3 -p "my_preset.json" -tm "NAME_STEM"

Напрямую

from inference import Separator

separator = Separator()
results = separator.run_preset(
  "audio.mp3",                    # Входной файл/папка
  "output",                      # Директория вывода
  "mp3",                         # Формат вывода
  "NAME_STEM",                   # Шаблон имени файла
  "my_preset.json",              # Путь к JSON-пресету или dict
)

📋 Параметры методов класса Separator

Инициализация класса (`Separator.init()`)

Параметр	Тип	Описание
`source`	`str \| None`	Источник для скачивания моделей Доступные варианты: - `hface`, `hf`, `huggingface` (Hugging Face, по умолчанию) - `github`, `gh` (GitHub Releases, быстрее для больших файлов) - `mscope`, `ms`, `modelscope` (ModelScope, запасной вариант)
`custom_model_info_path`	`str \| Path`	Путь к пользовательскому файлу информации о моделях (JSON) Позволяет расширить стандартный список моделей
`custom_models_dir`	`str \| Path`	Путь к дополнительной директории, где хранятся локальные модели Используется для поиска чекпоинтов вне стандартной папки кэша

Информация о моделях (`Separator().show_info()`)

Параметр	Тип	Описание
`limit`	`int`	Лимит количества отображаемых моделей (0 или None — без лимита)
`stem`	`str`	Название стема — показывать только модели с данным стемом
`only_installed`	`bool`	Показывать только установленные модели

Скачать модель (`Separator().download()`)

Параметр	Тип	Описание
`model_name`	`str`	Имя модели для скачивания

Разделение (`Separator().separate()`)

Параметр	Тип	Описание
`input_files`	`str \| Path \| list`	Путь к файлу/папке или список путей
`output_dir`	`str \| Path`	Директория для сохранения результатов
`output_format`	`str`	Формат аудио (`mp3`, `wav`, `flac` и др.)
`template`	`str`	Шаблон имени файла (ключи: `NAME`, `STEM`, `MODEL`) (Подробнее)
`model_name`	`str`	Имя модели
`extract_instrumental`	`bool`	Создание инверсии выбранных стемов (стем `invert`)
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`selected_stems`	`list`	Список стемов для сохранения (если не указан — все)
`add_params`	`dict`	Дополнительные параметры разделения

Возвращает:

([
  [имя_файла (str), [[стем (str), путь_к_файлу (str)], ...]],
  ...
], [строка с ошибкой для отображения в интерфейсе (str), ...])

Разделение с кастомной моделью (`Separator().custom_separate()`)

Параметр	Тип	Описание
`input_files`	`str \| Path \| list`	Путь к файлу/папке или список путей
`output_dir`	`str \| Path`	Директория для сохранения результатов
`output_format`	`str`	Формат аудио (`mp3`, `wav`, `flac` и др.)
`template`	`str`	Шаблон имени файла (ключи: `NAME`, `STEM`, `MODEL`) (Подробнее)
`model_type`	`str`	Тип модели (например, `bs_roformer`)
`ckpt`	`str \| Path`	Путь к чекпоинту (`*.ckpt`)
`conf`	`str \| Path`	Путь к YAML конфигу (`*.yaml`)
`extract_instrumental`	`bool`	Создание инверсии выбранных стемов
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`selected_stems`	`list`	Список стемов для сохранения
`add_params`	`dict`	Дополнительные параметры разделения

Возвращает: аналогично separate()

Итеративный ансамбль (`Separator().iterative_ensemble()`)

Параметр	Тип	Описание
`input_file`	`str \| Path`	Путь к входному файлу
`output_dir`	`str \| Path`	Директория для сохранения результатов
`flow`	`list`	Пресет для ансамбля (Пример)
`num_iters`	`int`	Количество итераций (по умолчанию: 4)
`output_format`	`str`	Формат аудио (`mp3`, `wav`, `flac` и др.)
`template`	`str`	Шаблон имени (ключи: `NAME`, `ITER`) (Подробнее)
`save_intermediate`	`bool`	Сохранять промежуточные результаты каждой итерации
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)

Возвращает: (путь_к_финальному_ансамблю, список_промежуточных_файлов)

Авто-ансамбль (`Separator().auto_ensemble()`)

Параметр	Тип	Описание
`input_file`	`str \| Path`	Путь к входному файлу
`output_dir`	`str \| Path`	Директория для сохранения результатов
`flow`	`list`	Пресет для ансамбля (Пример)
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`, `COUNT`) (Подробнее)
`etype`	`str`	Тип ансамбля (`avg_fft`, `median_fft`, `min_fft`, `max_fft`) (Подробнее)
`output_format`	`str`	Формат аудио
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`save_primary_stems`	`bool`	Сохранять основные стемы в output_dir
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)

Возвращает: (путь_к_ансамблю, путь_к_инверсии, список_основных_стемов)

Ручной ансамбль (`Separator().manual_ensemble()`)

Параметр	Тип	Описание
`input_files`	`list`	Список путей к аудиофайлам
`output_dir`	`str \| Path`	Директория для сохранения результата
`weights`	`list`	Веса файлов (обязательно для `avg_fft`)
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`) (Подробнее)
`etype`	`str`	Тип ансамбля (`avg_fft`, `median_fft`, `min_fft`, `max_fft`) (Подробнее)
`output_format`	`str`	Формат аудио
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Возвращает: str — путь к результату ансамбля

Вычитание (`Separator().subtract()`)

Параметр	Тип	Описание
`audio1`	`str \| Path`	Путь к оригинальному файлу
`audio2`	`str \| Path`	Путь к файлу стема
`output_dir`	`str \| Path`	Директория для сохранения результата
`output_format`	`str`	Формат аудио
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`) (Подробнее)
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Возвращает: str — путь к результату вычитания

Коррекция фазы (`Separator().phase_fixer()`)

Параметр	Тип	Описание
`target`	`str \| Path`	Путь к целевому аудиофайлу (амплитуда сохраняется по умолчанию)
`source`	`str \| Path`	Путь к исходному аудиофайлу (донор фазы и опционально амплитуды)
`output_dir`	`str \| Path`	Директория для сохранения результата
`output_format`	`str`	Формат аудио
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`) (Подробнее)
`transfer_magnitude`	`bool`	Переносить амплитуду из source (по умолчанию: False)
`transfer_phase`	`bool`	Переносить фазу из source (по умолчанию: True)
`freq_blend_phases`	`bool`	Плавное частотное смешение фаз между границами (по умолчанию: True)
`low_cutoff`	`int`	Нижняя граница частотного смешения в Гц (по умолчанию: 500)
`high_cutoff`	`int`	Верхняя граница частотного смешения в Гц (по умолчанию: 5000)
`prefer_float`	`bool`	Предпочитать высокую точность вывода (Используемые форматы сэмплов)

Возвращает: str — путь к результату коррекции фазы

Пресеты (`Separator().run_preset()`)

Параметр	Тип	Описание
`input_files`	`str \| Path \| list`	Путь к файлу/папке или список путей
`output_dir`	`str \| Path`	Директория для сохранения результатов
`output_format`	`str`	Формат аудио
`template`	`str`	Шаблон имени файла (ключи: `NAME`, `STEM`, `MODEL`) (Подробнее)
`preset`	`str \| Path \| dict`	Путь к JSON-файлу пресета или словарь с графом обработки
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`selected_stems`	`list`	Список стемов для сохранения (фильтрация нод типа `output_file`)
`add_params`	`dict`	Дополнительные параметры разделения для нод типа `separate`

Возвращает: аналогично separate()

Все параметры командной строки

Информация о моделях

первичные аргументы - inference.py info

Аргументы	Параметр	Тип	Описание
`-u`, `-update`, `--update`	`update`	`bool`	Обновить кэш информации о моделях из репозитория
`-clear`, `-clear_cache`, `-clear-cache`, `--clear_cache`, `--clear-cache`	`clear_cache`	`bool`	Очистить кэш информации о моделях
`-mn`, `-model`, `--model_name`, `--model-name`	`model_name`	`str`	Имя модели для скачивания (по умолчанию: bs_6stem)
`-dw`, `-download`, `--download`	`download`	`bool`	Скачать указанную модель (требуется -mn)
`-l`, `-limit`, `--limit`	`limit`	`int`	Лимит количества отображаемых моделей (0 или None - без лимита)
`-s`, `-stem`, `--stem`	`stem`	`str`	Показать только модели, которые содержат указанный стем (например: vocals, drums)
`-oi`, `-installed`, `--only_installed`, `--only-installed`	`only_installed`	`bool`	Показывать только установленные (скачанные) модели

Специфичные аргументы для работы с каталогами моделей

Аргументы	Параметр	Тип	Описание
`--add_custom_model_info_path`, `--add-custom-model-info-path`, `--model_info`, `--model-info`, `-minfo`	`custom_model_info_path`	`str`	Путь к пользовательскому файлу информации о моделях (JSON) Позволяет расширить стандартный список моделей
`--add_custom_models_dir`, `--add-custom-models-dir`, `--models_dir`, `--models-dir`, `-mdir`	`custom_models_dir`	`str`	Путь к дополнительной директории, где хранятся локальные модели Используется для поиска чекпоинтов вне стандартной папки кэша
`--model_source`, `--model-source`, `-msrc`	`model_source`	`str`	Источник для скачивания моделей Доступные варианты: - `hface`, `hf`, `huggingface` (Hugging Face, по умолчанию) - `github`, `gh` (GitHub Releases, быстрее для больших файлов) - `mscope`, `ms`, `modelscope` (ModelScope, запасной вариант)

Разделение

первичные аргументы - inference.py separate

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`str \| Path \| list`	Путь к входному аудиофайлу, папке с файлами или список путей
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, STEM, MODEL. Пример: NAME_STEM_MODEL (Подробнее)
`-mn`, `-model`, `--model_name`, `--model-name`	`model_name`	`str`	Имя модели для разделения (по умолчанию: bs_6stem)
`-inst`, `-ext_inst`, `-ext-inst`, `--extract_instrumental`, `--extract-instrumental`	`extract_instrumental`	`bool`	Создать инверсию выбранных стемов (инструментал) - стем с именем 'invert'
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-iplus`, `-invert_plus`, `-invert-plus`, `--invert_plus`, `--invert-plus`	`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`-st`, `--st`, `-stems`, `--stems`, `--selected_stems`, `--selected-stems`	`selected_stems`	`list`	Список стемов для сохранения (например: vocals drums). Если не указаны - сохраняются все стемы
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`--{param_name}`	`add_params.{param_name}`	`int/float/str/bool`	Дополнительный параметр разделения

Разделение с кастомной моделью

первичные аргументы - inference.py custom_separate

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`str \| Path \| list`	Путь к входному аудиофайлу, папке с файлами или список путей
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, STEM, MODEL. Пример: NAME_STEM_MODEL (Подробнее)
`-mt`, `-mtype`, `--model_type`, `--model-type`	`model_type`	`str`	Тип модели (например: bs_roformer, demucs, mdx). По умолчанию: bs_roformer
`-ckpt`, `--ckpt`, `-checkpoint`, `--checkpoint`, `--checkpoint_path`, `--checkpoint-path`	`checkpoint_path`	`str \| Path`	Путь к файлу чекпоинта модели (.ckpt или .pth)
`-conf`, `--conf`, `-config`, `--config`, `--config_path`, `--config-path`	`config_path`	`str \| Path`	Путь к конфигурационному файлу модели (*.yaml)
`-inst`, `-ext_inst`, `-ext-inst`, `--extract_instrumental`, `--extract-instrumental`	`extract_instrumental`	`bool`	Создать инверсию выбранных стемов (инструментал) - стем с именем 'invert'
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-iplus`, `-invert_plus`, `-invert-plus`, `--invert_plus`, `--invert-plus`	`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`-st`, `--st`, `-stems`, `--stems`, `--selected_stems`, `--selected-stems`	`selected_stems`	`list`	Список стемов для сохранения (например: vocals drums). Если не указаны - сохраняются все стемы
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`--{param_name}`	`add_params.{param_name}`	`int/float/str/bool`	Дополнительный параметр разделения

Итеративный ансамбль

первичные аргументы - inference.py iterative_ensemble

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_file`, `--input-file`	`input`	`str \| Path`	Путь к входному аудиофайлу
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, ITER. Пример: NAME_ITER (Подробнее)
`-n`, `-iters`, `--num_iters`, `--num-iters`	`num_iters`	`int`	Количество итераций (по умолчанию: 4). На каждой итерации применяется весь набор моделей к остатку от предыдущей итерации
`-save_intermediate`, `-save-intermediate`, `--save_intermediate`, `--save-intermediate`	`save_intermediate`	`bool`	Сохранять промежуточные результаты каждой итерации
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`-flow`, `--flow`	`flow`	`list`	Пресет в виде строк: `МОДЕЛЬ`:`ОСНОВНОЙ_СТЕМ`:`ИНВЕРСИЯ`. (Пример)
`-json`, `-preset`, `-preset_json`, `-preset-json`, `--preset_json`, `--preset-json`	`preset`	`str`	Путь к JSON-файлу с пресетом ансамбля (Пример)

Авто-ансамбль

первичные аргументы - inference.py auto_ensemble

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_file`, `--input-file`	`input`	`str \| Path`	Путь к входному аудиофайлу
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE, COUNT. Пример: NAME_COUNT_TYPE (Подробнее)
`-t`, `-type`, `-etype`, `--ensemble_type`, `--ensemble-type`	`ensemble_type`	`str`	Тип ансамбля: avg_fft, median_fft, min_fft, max_fft (по умолчанию: avg_fft; Подробнее)
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-save_stems`, `-save-stems`, `-save_primary_stems`, `--save-primary-stems`	`save_primary_stems`	`bool`	Сохранять основные стемы в выходную директорию
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`-flow`, `--flow`	`flow`	`list`	Пресет в виде строк: `МОДЕЛЬ`:`ОСНОВНОЙ_СТЕМ`:`ИНВЕРСИЯ`:`ВЕС`. (Пример)
`-json`, `-preset`, `-preset_json`, `-preset-json`, `--preset_json`, `--preset-json`	`preset`	`str`	Путь к JSON-файлу с пресетом ансамбля (Пример)

Ручной ансамбль

первичные аргументы - inference.py manual_ensemble

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`list`	Список путей к аудиофайлам
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE. Пример: NAME_TYPE (Подробнее)
`-t`, `-type`, `-etype`, `--ensemble_type`, `--ensemble-type`	`ensemble_type`	`str`	Тип ансамбля: avg_fft, median_fft, min_fft, max_fft (по умолчанию: avg_fft; Подробнее)
`-w`, `-weights`, `--weights`	`weights`	`list`	Веса для каждого аудиофайла (обязательно для типа avg_fft). Пример: -w 1.0 0.5 0.2
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Вычитание

первичные аргументы - inference.py subtract

Аргументы	Параметр	Тип	Описание
`-i1`, `--i1`, `-input1`, `--input1`, `--input_file1`, `--input-file1`	`input_1`	`str \| Path`	Путь к оригинальному аудиофайлу (из которого вычитаем)
`-i2`, `--i2`, `-input2`, `--input2`, `--input_file2`, `--input-file2`	`input_2`	`str \| Path`	Путь к аудиофайлу стема (который вычитаем)
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE. Пример: NAME_TYPE (Подробнее)
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Коррекция фазы

первичные аргументы - inference.py phase_fixer

Аргументы	Параметр	Тип	Описание
`-i1`, `--i1`, `-target`, `--target`, `--target_file`, `--target-file`	`target`	`str \| Path`	Путь к целевому аудиофайлу. По умолчанию его амплитуда сохраняется, а фаза берётся из source
`-i2`, `--i2`, `-source`, `--source`, `--source_file`, `--source-file`	`source`	`str \| Path`	Путь к исходному аудиофайлу. Используется как донор фазы, а при --transfer_magnitude — и амплитуды
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE. Пример: NAME_TYPE (Подробнее)
`-tmag`, `--transfer_magnitude`, `--transfer-magnitude`	`transfer_magnitude`	`bool`	Переносить амплитуду из исходного файла (по умолчанию выключено)
`-nphase`, `--transfer_phase`, `--transfer-phase`	`transfer_phase`	`bool`	Включить перенос фазы из исходного файла
`-nblend`, `--freq_blend`, `--freq-blend`	`freq_blend`	`bool`	Включить частотное смешение фаз
`-lc`, `--low_cutoff`, `--low-cutoff`	`low_cutoff`	`int`	Нижняя граница частотного смешения фаз в Гц (по умолчанию: 500)
`-hc`, `--high_cutoff`, `--high-cutoff`	`high_cutoff`	`int`	Верхняя граница частотного смешения фаз в Гц (по умолчанию: 5000)
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer-float`	`prefer_float`	`bool`	Предпочитать высокую точность вывода (Используемые форматы сэмплов)

Пресеты

первичные аргументы - inference.py preset

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`str \| Path \| list`	Путь к входному аудиофайлу, папке с файлами или список путей
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, STEM, MODEL. Пример: NAME_STEM_MODEL (Подробнее)
`-p`, `-preset`, `--preset`, `--preset_path`, `--preset-path`	`preset`	`str \| Path`	Путь к JSON-файлу с пресетом (графом обработки)
`-st`, `--st`, `-stems`, `--stems`, `--selected_stems`, `--selected-stems`	`selected_stems`	`list`	Список стемов для сохранения (например: vocals drums). Если не указаны - сохраняются все стемы из пресета
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer-float`	`prefer_float`	`bool`	Предпочитать высокую точность вывода (Используемые форматы сэмплов)
`--{param_name}`	`add_params.{param_name}`	`int/float/str/bool`	Дополнительный параметр разделения (применяется к нодам типа `separate` внутри пресета)

Web-UI

первичные аргументы - app.py

Аргументы	Параметр	Тип	Описание
`-s`, `-share`, `--share`, `--public`, `--gradio_share`, `--gradio-share`	`share`	`bool`	Создать публичную ссылку через Gradio Share (для доступа из интернета)
`-p`, `-port`, `--port`, `--server_port`, `--server-port`	`port`	`int`	Порт для запуска сервера (по умолчанию: 7860)

Similar repos

mason369/music-to-midi

音乐转MIDI转换器 - Convert audio to multi-track MIDI with lyrics embedding

211

SUC-DriverOld/MSST-WebUI

A WebUI app for Music-Source-Separation-Training and we packed UVR together!

1,273

mason369/AI-RVC

一键 AI 翻唱 (One-click AI Cover Generation)：AI 检索式声音转换工具 - AI Retrieval-based Voice Conversion (RVC)…

undef13/splifft

Lightweight utilities for music source separation and transcription.

openmirlab/bs-roformer-infer

set-soft/AudioSeparation

Audio separation (demixing) using AI. Separating Voices, Instruments, Bass, Drums, etc. CLI and…

adefossez/demucs

Code for the paper Hybrid Spectrogram and Waveform Source Separation

3,413

facebookresearch/demucs

Code for the paper Hybrid Spectrogram and Waveform Source Separation

10,371

noblebarkrr/mvsepless

CLI wrapper for MSST and UVR in Google Colab

Python

350 commits

updated Oct 12, 2026

See the code

README

MVSepless

/непростая обёртка/ для audio-separator и Music-Source-Separation-Training

Информация о моделях

Всю актуальную информацию о доступных моделях можно увидеть на отдельной странице:

https://mvsepless-resources.github.io/model_info_page/

(используется информация из репозитория noblebarkrr/mvsepless_resources на Hugging Face)

Источники моделей

Hugging Face ("hface", "hf", "huggingface") - Оригинал
Github ("github", "gh") - Перезалив оригинала на Github Releases (более быстрая загрузка, чекпоинты тяжелее 2 гб разделены на несколько частей, по 2 гб каждая)
ModelScope ("mscope", "ms", "modelscope") - Запасной вариант (редко обновляется, зачастую загрузка очень медленная)

Фишки

Извлечение инструментала (инверсии выбранных стемов)
Встроенный авто-ансамбль, с возможностью выбрать основной стем для добавления в ансамбль
Базовый итеративный ансамбль
Создание собственных гибких пресетов разделения
Дополнительные параметры разделения, как в UVR
История обработок (Только в Web-UI)
Пакетная обработка по умолчанию (кроме авто-ансамбля и вычитания)
Поддержка метаданных (при установленном пакете pytaglib)
Язык интерфейса изменяется через переменную окружения MVSEPLESS_LANGUAGE

Содержание

Установка
VBach - Форк PolGen
Специфичные атрибуты конфигов Roformer моделей
Шаблоны имен файлов
Типы ансамбля
Пресеты разделения
Кастомные каталоги моделей
Пример пресета для авто-ансамбля
Пример пресета для итеративного ансамбля
Пример использования
Параметры методов класса Separator
Все параметры командной строки

🛠️ Установка

Совместимость:

Python: 3.10-3.12 (версии 3.13 и 3.14 тестируются)
Pytorch: 1.13-latest

Подготовка среды выполнения

Windows:

Установите Python с включенными опциями Add Python 3.x to PATH и Disable path length limit: https://www.python.org/ftp/python/3.11.6/python-3.11.6-amd64.exe
Скачайте архив с FFMPEG, распакуйте его и добавьте распакованную папку в переменную PATH: https://github.com/BtbN/FFmpeg-Builds/releases/download/latest/ffmpeg-master-latest-win64-gpl.zip
Установите Microsoft Visual C++ 2015-2022 (x64): https://aka.ms/vs/17/release/vc_redist.x64.exe
Установите Microsoft C++ Build Tools и после установки перезапустите компьютер: https://visualstudio.microsoft.com/visual-cpp-build-tools/
Выберите Desktop development with C++
Установите PyTorch: https://pytorch.org/get-started/locally/
Скачайте и распакуйте архив: https://github.com/noblebarkrr/mvsepless/archive/refs/heads/dzeta.zip
Откройте командную строку в распакованной папке

Установка `pytaglib` (опционально):

pip install pytaglib

Для случаев, когда бинарный файл для Python-пакета `pytaglib` недоступен для вашей среды выполнения:

Linux (Ubuntu/Debian):

# Установка базовых зависимостей
apt update -y
apt upgrade -y
apt install -y wget curl git gcc libx11-dev ffmpeg build-essential cmake nano python3-full python3-pip python3-dev libutfcpp-dev

# Клонирование репозитория

git clone https://github.com/noblebarkrr/mvsepless -b dzeta --depth 1
cd mvsepless

# Если пакеты не устанваливаются без виртуального окружения
python3 -m venv env
source env/bin/activate

python3 -m pip install ninja cmake

Установка `pytaglib` (опционально):

# Сборка библиотеки taglib (если нет подходящего бинарного файла для pytaglib)
git clone https://github.com/taglib/taglib
cd taglib
mkdir build && cd build
cmake -DCMAKE_INSTALL_PREFIX=/usr -DCMAKE_BUILD_TYPE=Release -DCMAKE_CXX_FLAGS="-fPIC" -DCMAKE_POSITION_INDEPENDENT_CODE=ON -DBUILD_SHARED_LIBS=ON ..
make
make install
# Выходим из папки taglib/build
cd ../..

pip install pytaglib

Установка зависимостей

через uv:

pip install uv
# Обычные зависимости
uv pip install --no-cache-dir -r requirements.txt
# Устаревшие зависимости (только Python 3.10)
uv pip install --no-cache-dir -r requirements_old_torch_py310.txt

через pip (медленее):

# Обычные зависимости
pip install -r requirements.txt
# Устаревшие зависимости (только Python 3.10)
pip install -r requirements_old_torch_py310.txt

VBach (форк PolGen-RVC)

Документация

Специфичные атрибуты конфигов Roformer моделей

Все атрибуты находятся здесь

Шаблоны имен файлов

Для разделения (separate, custom_separate):

NAME — имя входного файла (без расширения)
STEM — название стема (например: vocals, instrumental)
MODEL — имя модели (например: bs_6stem)

Пример: NAME_STEM_MODEL → Song_vocals_bs_6stem

Для итеративного ансамбля:

NAME — имя входного файла (без расширения)
ITER — номер итерации (iter_N)

Пример: NAME_ITER → Song_iter_3

Для авто-ансамбля (auto_ensemble):

NAME — имя входного файла (без расширения)
TYPE — тип ансамбля (например: min_fft, avg_fft)
COUNT — количество используемых моделей/файлов

Пример: NAME_COUNT_TYPE → Song_7_min_fft

Для ручного ансамбля (manual_ensemble):

NAME — имя входного файла (без расширения)
TYPE — тип ансамбля (например: min_fft, avg_fft)

Пример: NAME_TYPE → Song_min_fft

Для вычитания (subtract):

NAME — имя входного файла (без расшириения)
TYPE — тип инверсии (например: waveform, spectrogram)

Пример: NAME_TYPE → Song_waveform

Для коррекции фазы (phase_fixer): NAME — имя целевого файла (без расширения) TYPE — тип операции (phase_fix)

Пример: NAME_TYPE → Song_phase_fix

Типы ансамбля

Тип	Описание
`avg_fft`	Среднее, стабильный результат (требуются веса)
`median_fft`	Медиана (эффективно от 3+ аудио)
`min_fft`	Минимум, более чистый результат
`max_fft`	Максимум, более полный, но "грязный" результат

Пресеты разделения

Схема пресета и информация о нодах находятся здесь

Кастомные каталоги моделей

Схема каталога и правила работы с ним находятся здесь

Пример пресета для авто-ансамбля

Python

[
    ["имя_модели1", "основной_стем1", False, 1],
    ["имя_модели2", "основной_стем2", False, 2],
    ...
]

[
    [str, str, bool, float],
    [str, str, bool, float],
    ...
]

JSON

[
    ["имя_модели1", "основной_стем1", false, 1],
    ["имя_модели2", "основной_стем2", false, 2],
    ...
]

[
    [str, str, bool, float],
    [str, str, bool, float],
    ...
]

В командной строке

--flow имя_модели1:основной_стем_1:False:1 имя_модели2:основной_стем_2:False:2 ...

--flow str:str:bool:float str:str:bool:float

Пример пресета для итеративного ансамбля

Python

[
    ["имя_модели1", "основной_стем1", False],
    ["имя_модели2", "основной_стем2", False],
    ...
]

[
    [str, str, bool],
    [str, str, bool],
    ...
]

JSON

[
    ["имя_модели1", "основной_стем1", false],
    ["имя_модели2", "основной_стем2", false],
    ...
]

В командной строке

--flow имя_модели1:основной_стем_1:False имя_модели2:основной_стем_2:False ...

--flow str:str:bool str:str:bool

🚀 Пример использования

Web-UI

Через командную строку


python app.py --share

Напрямую

from app import App

app = App()
app_ui = app.UI(theme, False)
app_ui.launch(
  allowed_paths=["/"],
  debug=True, 
  share=True, # Если нужно сделать общий доступ к Web-UI
  server_port=7860,
  server_name="0.0.0.0"
)

Информация о моделях

Через командную строку

# Список с фильтром
python inference.py info -limit 0 -stem "vocals"
# Полный список
python inference.py info
# Обновление информации о моделях
python inference.py info -update

Напрямую

from inference import Separator

separator = Separator() # Инициализация класса
separator.update_info() # Обновление информации о моделях
separator.show_info(
  0, # Лимит количества отображаемых моделей
  "vocals", # Название стема (если указан, будут показаны только модели с данным стемом)
  False # Только установленные модели (при True)
)

Пример вывода:

                              Информация о моделях                              
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ Имя модели                               ┃ Выходные стемы                    ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┩
│ установлено                              │ целевой инструмент                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_fno_unwa                         │ other, vocals                     │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_large2_unwa                      │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_hyperace_unwa                    │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_inst_hyperace2_unwa                   │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_voc_hyperace2_unwa                    │ instrument, vocals                │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_karaoke_becruily                      │ Instrumental, Vocals              │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_voctest_gabox                         │ Instrumental, Vocals              │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_karaoke_gabox                         │ other, vocals                     │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_karaoke_inv_gabox                     │ other, vocals                     │
├──────────────────────────────────────────┼───────────────────────────────────┤
│ bs_6stem                                 │ bass, drums, guitar, other,       │
│                                          │ piano, vocals                     │
└──────────────────────────────────────────┴───────────────────────────────────┘

Разделение

Через командную строку

python inference.py separate -i "audio.mp3" -o "output" -of mp3 -mn "bs_6stem" -tm "NAME_STEM"

Напрямую

from inference import Separator

separator = Separator()
model_name = "bs_6stem"
separator.download(model_name) # Скачивание модели без запуска инференса

results = separator.separate(
  "audio.mp3",           # Входной файл/папка
  "output",              # Директория вывода
  "mp3",                 # Формат вывода
  "NAME_STEM",           # Шаблон имени файла
  model_name             # Имя модели
)

Разделение с кастомной моделью

Через командную строку

python inference.py custom_separate -i "audio.mp3" -o "output" -of mp3 -ckpt "bs_6stem.ckpt" -conf "bs_6stem_config.yaml" -mt "bs_roformer" -tm "NAME_STEM"

Напрямую

from inference import Separator

separator = Separator()

results = separator.custom_separate(
  "audio.mp3",                   # Входной файл/папка
  "output",                      # Директория вывода
  "mp3",                         # Формат вывода
  "NAME_STEM",                   # Шаблон имени файла
  "bs_roformer",                 # Тип модели
  "bs_6stem.ckpt",               # Путь к чекпоинту
  "bs_6stem_config.yaml"         # Путь к конфигу
)

Итеративный ансамбль (пример использования)

Через командную строку

Пример пресета для итеративного ансамбля

# Пресет в виде списка
python inference.py iterative_ensemble -i "audio.mp3" -o "output" -of mp3 -tm "NAME_ITER" -flow "bs_6stem:vocals:False" "mbr_inst1e_unwa:vocals:False" -n 4

# С сохранением промежуточных результатов
python inference.py iterative_ensemble -i "audio.mp3" -o "output" -of mp3 -tm "NAME_ITER" -flow "bs_6stem:vocals:False" "mbr_inst1e_unwa:vocals:False" -n 4 -save_intermediate

# Пресет в виде json-файла
python inference.py iterative_ensemble -i "audio.mp3" -o "output" -of mp3 -tm "NAME_ITER" -json "iterative_flow.json" -n 4

Напрямую

from inference import Separator

separator = Separator()
flow = [
    ["bs_6stem", "vocals", True],      # [модель, осн. стем, инверсия]
    ["mbr_inst1e_unwa", "vocals", False]
]

result_path, intermediate_files = separator.iterative_ensemble(
    "audio.mp3",        # Входной файл
    "output",           # Директория вывода
    flow,               # Пресет ансамбля
    num_iters=4,        # Количество итераций
    output_format="mp3",# Формат вывода
    template="NAME_ITER", # Шаблон имени файла
    save_intermediate=True  # Сохранять промежуточные результаты
)

print(f"Финальный результат: {result_path}")
print(f"Промежуточные файлы: {intermediate_files}")

Авто-ансамбль

Через командную строку

Пример пресета для авто-ансамбля

# Пресет в виде списка списков
python inference.py auto_ensemble -i "audio.mp3" -o "output" -of mp3 -type avg_fft -tm "NAME_TYPE" -flow "bs_6stem:vocals:True:1" "mbr_inst1e_unwa:other:False:1"

# Пресет в виде json-файла
python inference.py auto_ensemble -i "audio.mp3" -o "output" -of mp3 -type avg_fft -tm "NAME_TYPE" -json "ensemble_flow.json"

Напрямую

from inference import Separator

separator = Separator()
flow = [
    ["bs_6stem", "vocals", True, 1],      # [модель, осн. стем, инверсия, вес]
    ["mbr_inst1e_unwa", "other", False, 1]
]

result, invert_result = separator.auto_ensemble(
  "audio.mp3",           # Входной файл
  "output",              # Директория вывода
  flow,                  # Пресет ансамбля
  "NAME_TYPE",           # Шаблон имени файла
  "avg_fft",             # Тип ансамбля
  "mp3"                  # Формат вывода
)

Ручной ансамбль

Через командную строку

python inference.py manual_ensemble -i "audio1.mp3" "audio2.mp3" -o "output" -of mp3 -type avg_fft -tm "NAME_TYPE" -w 1 1

Напрямую

from inference import Separator

separator = Separator()

result = separator.manual_ensemble(
  ["audio1.mp3", "audio2.mp3"],  # Входные файлы
  "output",                      # Директория вывода
  [1, 1],                        # Веса
  "NAME_TYPE",                   # Шаблон имени файла
  "avg_fft",                     # Тип ансамбля
  "mp3"                          # Формат вывода
)

Вычитание

Через командную строку

python inference.py subtract -i1 "audio1.mp3" -i2 "audio2.mp3" -o "output" -of mp3 -tm "NAME_TYPE"

Напрямую

from inference import Separator

separator = Separator()

result = separator.subtract(
  "audio1.mp3",                  # Оригинал
  "audio2.mp3",                  # Стем
  "output",                      # Директория вывода
  "mp3"                          # Формат вывода
  [1, 1],                        # Веса
  False,                         # Использовать ли спектрограмму при вычитании?
  "avg_fft",                     # Тип ансамбля
)

Коррекция фазы

Через командную строку

python inference.py phase_fixer -i1 "target.wav" -i2 "source.wav" -o "output" -of wav -tm "NAME_TYPE" --transfer_phase --freq_blend --low_cutoff 500 --high_cutoff 5000

Напрямую

from inference import Separator
separator = Separator()
result = separator.phase_fixer(
  "target.wav",                  # Целевое аудио (амплитуда сохраняется по умолчанию)
  "source.wav",                  # Опорное аудио (донор фазы)
  "output",                      # Директория вывода
  "wav",                         # Формат вывода
  "NAME_TYPE",                   # Шаблон имени файла
  transfer_magnitude=False,      # Перенос амплитуды из source
  transfer_phase=True,           # Перенос фазы из source
  freq_blend_phases=True,        # Частотное смешение фаз
  low_cutoff=500,                # Нижняя граница смешения (Гц)
  high_cutoff=5000,              # Верхняя граница смешения (Гц)
  prefer_float=False
)

Пресеты (Preset)

Через командную строку

python inference.py preset -i "audio.mp3" -o "output" -of mp3 -p "my_preset.json" -tm "NAME_STEM"

Напрямую

from inference import Separator

separator = Separator()
results = separator.run_preset(
  "audio.mp3",                    # Входной файл/папка
  "output",                      # Директория вывода
  "mp3",                         # Формат вывода
  "NAME_STEM",                   # Шаблон имени файла
  "my_preset.json",              # Путь к JSON-пресету или dict
)

📋 Параметры методов класса Separator

Инициализация класса (`Separator.init()`)

Параметр	Тип	Описание
`source`	`str \| None`	Источник для скачивания моделей Доступные варианты: - `hface`, `hf`, `huggingface` (Hugging Face, по умолчанию) - `github`, `gh` (GitHub Releases, быстрее для больших файлов) - `mscope`, `ms`, `modelscope` (ModelScope, запасной вариант)
`custom_model_info_path`	`str \| Path`	Путь к пользовательскому файлу информации о моделях (JSON) Позволяет расширить стандартный список моделей
`custom_models_dir`	`str \| Path`	Путь к дополнительной директории, где хранятся локальные модели Используется для поиска чекпоинтов вне стандартной папки кэша

Информация о моделях (`Separator().show_info()`)

Параметр	Тип	Описание
`limit`	`int`	Лимит количества отображаемых моделей (0 или None — без лимита)
`stem`	`str`	Название стема — показывать только модели с данным стемом
`only_installed`	`bool`	Показывать только установленные модели

Скачать модель (`Separator().download()`)

Параметр	Тип	Описание
`model_name`	`str`	Имя модели для скачивания

Разделение (`Separator().separate()`)

Параметр	Тип	Описание
`input_files`	`str \| Path \| list`	Путь к файлу/папке или список путей
`output_dir`	`str \| Path`	Директория для сохранения результатов
`output_format`	`str`	Формат аудио (`mp3`, `wav`, `flac` и др.)
`template`	`str`	Шаблон имени файла (ключи: `NAME`, `STEM`, `MODEL`) (Подробнее)
`model_name`	`str`	Имя модели
`extract_instrumental`	`bool`	Создание инверсии выбранных стемов (стем `invert`)
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`selected_stems`	`list`	Список стемов для сохранения (если не указан — все)
`add_params`	`dict`	Дополнительные параметры разделения

Возвращает:

([
  [имя_файла (str), [[стем (str), путь_к_файлу (str)], ...]],
  ...
], [строка с ошибкой для отображения в интерфейсе (str), ...])

Разделение с кастомной моделью (`Separator().custom_separate()`)

Параметр	Тип	Описание
`input_files`	`str \| Path \| list`	Путь к файлу/папке или список путей
`output_dir`	`str \| Path`	Директория для сохранения результатов
`output_format`	`str`	Формат аудио (`mp3`, `wav`, `flac` и др.)
`template`	`str`	Шаблон имени файла (ключи: `NAME`, `STEM`, `MODEL`) (Подробнее)
`model_type`	`str`	Тип модели (например, `bs_roformer`)
`ckpt`	`str \| Path`	Путь к чекпоинту (`*.ckpt`)
`conf`	`str \| Path`	Путь к YAML конфигу (`*.yaml`)
`extract_instrumental`	`bool`	Создание инверсии выбранных стемов
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`selected_stems`	`list`	Список стемов для сохранения
`add_params`	`dict`	Дополнительные параметры разделения

Возвращает: аналогично separate()

Итеративный ансамбль (`Separator().iterative_ensemble()`)

Параметр	Тип	Описание
`input_file`	`str \| Path`	Путь к входному файлу
`output_dir`	`str \| Path`	Директория для сохранения результатов
`flow`	`list`	Пресет для ансамбля (Пример)
`num_iters`	`int`	Количество итераций (по умолчанию: 4)
`output_format`	`str`	Формат аудио (`mp3`, `wav`, `flac` и др.)
`template`	`str`	Шаблон имени (ключи: `NAME`, `ITER`) (Подробнее)
`save_intermediate`	`bool`	Сохранять промежуточные результаты каждой итерации
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)

Возвращает: (путь_к_финальному_ансамблю, список_промежуточных_файлов)

Авто-ансамбль (`Separator().auto_ensemble()`)

Параметр	Тип	Описание
`input_file`	`str \| Path`	Путь к входному файлу
`output_dir`	`str \| Path`	Директория для сохранения результатов
`flow`	`list`	Пресет для ансамбля (Пример)
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`, `COUNT`) (Подробнее)
`etype`	`str`	Тип ансамбля (`avg_fft`, `median_fft`, `min_fft`, `max_fft`) (Подробнее)
`output_format`	`str`	Формат аудио
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`save_primary_stems`	`bool`	Сохранять основные стемы в output_dir
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)

Возвращает: (путь_к_ансамблю, путь_к_инверсии, список_основных_стемов)

Ручной ансамбль (`Separator().manual_ensemble()`)

Параметр	Тип	Описание
`input_files`	`list`	Список путей к аудиофайлам
`output_dir`	`str \| Path`	Директория для сохранения результата
`weights`	`list`	Веса файлов (обязательно для `avg_fft`)
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`) (Подробнее)
`etype`	`str`	Тип ансамбля (`avg_fft`, `median_fft`, `min_fft`, `max_fft`) (Подробнее)
`output_format`	`str`	Формат аудио
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Возвращает: str — путь к результату ансамбля

Вычитание (`Separator().subtract()`)

Параметр	Тип	Описание
`audio1`	`str \| Path`	Путь к оригинальному файлу
`audio2`	`str \| Path`	Путь к файлу стема
`output_dir`	`str \| Path`	Директория для сохранения результата
`output_format`	`str`	Формат аудио
`use_spec_invert`	`bool`	Вычитание из спектрограммы вместо противофазы
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`) (Подробнее)
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Возвращает: str — путь к результату вычитания

Коррекция фазы (`Separator().phase_fixer()`)

Параметр	Тип	Описание
`target`	`str \| Path`	Путь к целевому аудиофайлу (амплитуда сохраняется по умолчанию)
`source`	`str \| Path`	Путь к исходному аудиофайлу (донор фазы и опционально амплитуды)
`output_dir`	`str \| Path`	Директория для сохранения результата
`output_format`	`str`	Формат аудио
`template`	`str`	Шаблон имени (ключи: `NAME`, `TYPE`) (Подробнее)
`transfer_magnitude`	`bool`	Переносить амплитуду из source (по умолчанию: False)
`transfer_phase`	`bool`	Переносить фазу из source (по умолчанию: True)
`freq_blend_phases`	`bool`	Плавное частотное смешение фаз между границами (по умолчанию: True)
`low_cutoff`	`int`	Нижняя граница частотного смешения в Гц (по умолчанию: 500)
`high_cutoff`	`int`	Верхняя граница частотного смешения в Гц (по умолчанию: 5000)
`prefer_float`	`bool`	Предпочитать высокую точность вывода (Используемые форматы сэмплов)

Возвращает: str — путь к результату коррекции фазы

Пресеты (`Separator().run_preset()`)

Параметр	Тип	Описание
`input_files`	`str \| Path \| list`	Путь к файлу/папке или список путей
`output_dir`	`str \| Path`	Директория для сохранения результатов
`output_format`	`str`	Формат аудио
`template`	`str`	Шаблон имени файла (ключи: `NAME`, `STEM`, `MODEL`) (Подробнее)
`preset`	`str \| Path \| dict`	Путь к JSON-файлу пресета или словарь с графом обработки
`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`selected_stems`	`list`	Список стемов для сохранения (фильтрация нод типа `output_file`)
`add_params`	`dict`	Дополнительные параметры разделения для нод типа `separate`

Возвращает: аналогично separate()

Все параметры командной строки

Информация о моделях

первичные аргументы - inference.py info

Аргументы	Параметр	Тип	Описание
`-u`, `-update`, `--update`	`update`	`bool`	Обновить кэш информации о моделях из репозитория
`-clear`, `-clear_cache`, `-clear-cache`, `--clear_cache`, `--clear-cache`	`clear_cache`	`bool`	Очистить кэш информации о моделях
`-mn`, `-model`, `--model_name`, `--model-name`	`model_name`	`str`	Имя модели для скачивания (по умолчанию: bs_6stem)
`-dw`, `-download`, `--download`	`download`	`bool`	Скачать указанную модель (требуется -mn)
`-l`, `-limit`, `--limit`	`limit`	`int`	Лимит количества отображаемых моделей (0 или None - без лимита)
`-s`, `-stem`, `--stem`	`stem`	`str`	Показать только модели, которые содержат указанный стем (например: vocals, drums)
`-oi`, `-installed`, `--only_installed`, `--only-installed`	`only_installed`	`bool`	Показывать только установленные (скачанные) модели

Специфичные аргументы для работы с каталогами моделей

Аргументы	Параметр	Тип	Описание
`--add_custom_model_info_path`, `--add-custom-model-info-path`, `--model_info`, `--model-info`, `-minfo`	`custom_model_info_path`	`str`	Путь к пользовательскому файлу информации о моделях (JSON) Позволяет расширить стандартный список моделей
`--add_custom_models_dir`, `--add-custom-models-dir`, `--models_dir`, `--models-dir`, `-mdir`	`custom_models_dir`	`str`	Путь к дополнительной директории, где хранятся локальные модели Используется для поиска чекпоинтов вне стандартной папки кэша
`--model_source`, `--model-source`, `-msrc`	`model_source`	`str`	Источник для скачивания моделей Доступные варианты: - `hface`, `hf`, `huggingface` (Hugging Face, по умолчанию) - `github`, `gh` (GitHub Releases, быстрее для больших файлов) - `mscope`, `ms`, `modelscope` (ModelScope, запасной вариант)

Разделение

первичные аргументы - inference.py separate

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`str \| Path \| list`	Путь к входному аудиофайлу, папке с файлами или список путей
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, STEM, MODEL. Пример: NAME_STEM_MODEL (Подробнее)
`-mn`, `-model`, `--model_name`, `--model-name`	`model_name`	`str`	Имя модели для разделения (по умолчанию: bs_6stem)
`-inst`, `-ext_inst`, `-ext-inst`, `--extract_instrumental`, `--extract-instrumental`	`extract_instrumental`	`bool`	Создать инверсию выбранных стемов (инструментал) - стем с именем 'invert'
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-iplus`, `-invert_plus`, `-invert-plus`, `--invert_plus`, `--invert-plus`	`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`-st`, `--st`, `-stems`, `--stems`, `--selected_stems`, `--selected-stems`	`selected_stems`	`list`	Список стемов для сохранения (например: vocals drums). Если не указаны - сохраняются все стемы
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`--{param_name}`	`add_params.{param_name}`	`int/float/str/bool`	Дополнительный параметр разделения

Разделение с кастомной моделью

первичные аргументы - inference.py custom_separate

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`str \| Path \| list`	Путь к входному аудиофайлу, папке с файлами или список путей
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, STEM, MODEL. Пример: NAME_STEM_MODEL (Подробнее)
`-mt`, `-mtype`, `--model_type`, `--model-type`	`model_type`	`str`	Тип модели (например: bs_roformer, demucs, mdx). По умолчанию: bs_roformer
`-ckpt`, `--ckpt`, `-checkpoint`, `--checkpoint`, `--checkpoint_path`, `--checkpoint-path`	`checkpoint_path`	`str \| Path`	Путь к файлу чекпоинта модели (.ckpt или .pth)
`-conf`, `--conf`, `-config`, `--config`, `--config_path`, `--config-path`	`config_path`	`str \| Path`	Путь к конфигурационному файлу модели (*.yaml)
`-inst`, `-ext_inst`, `-ext-inst`, `--extract_instrumental`, `--extract-instrumental`	`extract_instrumental`	`bool`	Создать инверсию выбранных стемов (инструментал) - стем с именем 'invert'
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-iplus`, `-invert_plus`, `-invert-plus`, `--invert_plus`, `--invert-plus`	`invert_plus`	`bool`	Использует сложение невыбранных стемов при создании инструментала
`-st`, `--st`, `-stems`, `--stems`, `--selected_stems`, `--selected-stems`	`selected_stems`	`list`	Список стемов для сохранения (например: vocals drums). Если не указаны - сохраняются все стемы
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`--{param_name}`	`add_params.{param_name}`	`int/float/str/bool`	Дополнительный параметр разделения

Итеративный ансамбль

первичные аргументы - inference.py iterative_ensemble

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_file`, `--input-file`	`input`	`str \| Path`	Путь к входному аудиофайлу
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, ITER. Пример: NAME_ITER (Подробнее)
`-n`, `-iters`, `--num_iters`, `--num-iters`	`num_iters`	`int`	Количество итераций (по умолчанию: 4). На каждой итерации применяется весь набор моделей к остатку от предыдущей итерации
`-save_intermediate`, `-save-intermediate`, `--save_intermediate`, `--save-intermediate`	`save_intermediate`	`bool`	Сохранять промежуточные результаты каждой итерации
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`-flow`, `--flow`	`flow`	`list`	Пресет в виде строк: `МОДЕЛЬ`:`ОСНОВНОЙ_СТЕМ`:`ИНВЕРСИЯ`. (Пример)
`-json`, `-preset`, `-preset_json`, `-preset-json`, `--preset_json`, `--preset-json`	`preset`	`str`	Путь к JSON-файлу с пресетом ансамбля (Пример)

Авто-ансамбль

первичные аргументы - inference.py auto_ensemble

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_file`, `--input-file`	`input`	`str \| Path`	Путь к входному аудиофайлу
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE, COUNT. Пример: NAME_COUNT_TYPE (Подробнее)
`-t`, `-type`, `-etype`, `--ensemble_type`, `--ensemble-type`	`ensemble_type`	`str`	Тип ансамбля: avg_fft, median_fft, min_fft, max_fft (по умолчанию: avg_fft; Подробнее)
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-save_stems`, `-save-stems`, `-save_primary_stems`, `--save-primary-stems`	`save_primary_stems`	`bool`	Сохранять основные стемы в выходную директорию
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)
`--preserve_side`	`preserve_side`	`bool`	Перевести боковые каналы в моно (Для моделей, работающих только с моно сигналом)
`-flow`, `--flow`	`flow`	`list`	Пресет в виде строк: `МОДЕЛЬ`:`ОСНОВНОЙ_СТЕМ`:`ИНВЕРСИЯ`:`ВЕС`. (Пример)
`-json`, `-preset`, `-preset_json`, `-preset-json`, `--preset_json`, `--preset-json`	`preset`	`str`	Путь к JSON-файлу с пресетом ансамбля (Пример)

Ручной ансамбль

первичные аргументы - inference.py manual_ensemble

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`list`	Список путей к аудиофайлам
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE. Пример: NAME_TYPE (Подробнее)
`-t`, `-type`, `-etype`, `--ensemble_type`, `--ensemble-type`	`ensemble_type`	`str`	Тип ансамбля: avg_fft, median_fft, min_fft, max_fft (по умолчанию: avg_fft; Подробнее)
`-w`, `-weights`, `--weights`	`weights`	`list`	Веса для каждого аудиофайла (обязательно для типа avg_fft). Пример: -w 1.0 0.5 0.2
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Вычитание

первичные аргументы - inference.py subtract

Аргументы	Параметр	Тип	Описание
`-i1`, `--i1`, `-input1`, `--input1`, `--input_file1`, `--input-file1`	`input_1`	`str \| Path`	Путь к оригинальному аудиофайлу (из которого вычитаем)
`-i2`, `--i2`, `-input2`, `--input2`, `--input_file2`, `--input-file2`	`input_2`	`str \| Path`	Путь к аудиофайлу стема (который вычитаем)
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE. Пример: NAME_TYPE (Подробнее)
`-ispec`, `-spec_invert`, `-spec-invert`, `--use_spec_invert`, `--use-spec-invert`	`use_spec_invert`	`bool`	Использовать вычитание из спектрограммы вместо противофазы при создании инверсии
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer_float`	`prefer_float`	`bool`	Предочитает высокую точность вывода (Используемые форматы сэмплов)

Коррекция фазы

первичные аргументы - inference.py phase_fixer

Аргументы	Параметр	Тип	Описание
`-i1`, `--i1`, `-target`, `--target`, `--target_file`, `--target-file`	`target`	`str \| Path`	Путь к целевому аудиофайлу. По умолчанию его амплитуда сохраняется, а фаза берётся из source
`-i2`, `--i2`, `-source`, `--source`, `--source_file`, `--source-file`	`source`	`str \| Path`	Путь к исходному аудиофайлу. Используется как донор фазы, а при --transfer_magnitude — и амплитуды
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, TYPE. Пример: NAME_TYPE (Подробнее)
`-tmag`, `--transfer_magnitude`, `--transfer-magnitude`	`transfer_magnitude`	`bool`	Переносить амплитуду из исходного файла (по умолчанию выключено)
`-nphase`, `--transfer_phase`, `--transfer-phase`	`transfer_phase`	`bool`	Включить перенос фазы из исходного файла
`-nblend`, `--freq_blend`, `--freq-blend`	`freq_blend`	`bool`	Включить частотное смешение фаз
`-lc`, `--low_cutoff`, `--low-cutoff`	`low_cutoff`	`int`	Нижняя граница частотного смешения фаз в Гц (по умолчанию: 500)
`-hc`, `--high_cutoff`, `--high-cutoff`	`high_cutoff`	`int`	Верхняя граница частотного смешения фаз в Гц (по умолчанию: 5000)
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer-float`	`prefer_float`	`bool`	Предпочитать высокую точность вывода (Используемые форматы сэмплов)

Пресеты

первичные аргументы - inference.py preset

Аргументы	Параметр	Тип	Описание
`-i`, `--i`, `-input`, `--input`, `--input_files`, `--input-files`	`input`	`str \| Path \| list`	Путь к входному аудиофайлу, папке с файлами или список путей
`-o`, `-out`, `-output`, `--output`, `--output_dir`, `--output-dir`	`output_dir`	`str \| Path`	Директория для сохранения результатов (по умолчанию: текущая папка)
`-of`, `-output_fmt`, `--output_format`, `--output-format`	`output_format`	`str`	Формат выходного аудио. Доступны: mp3, wav, flac и др. (по умолчанию: mp3)
`-tm`, `-tmplt`, `--template`	`template`	`str`	Шаблон имени выходного файла. Доступные ключи: NAME, STEM, MODEL. Пример: NAME_STEM_MODEL (Подробнее)
`-p`, `-preset`, `--preset`, `--preset_path`, `--preset-path`	`preset`	`str \| Path`	Путь к JSON-файлу с пресетом (графом обработки)
`-st`, `--st`, `-stems`, `--stems`, `--selected_stems`, `--selected-stems`	`selected_stems`	`list`	Список стемов для сохранения (например: vocals drums). Если не указаны - сохраняются все стемы из пресета
`-hi-prec`, `-hi_prec`, `-hi-precision`, `--hi_precision`, `-pref-flt`, `-pref_flt`, `--prefer_float`, `--prefer-float`	`prefer_float`	`bool`	Предпочитать высокую точность вывода (Используемые форматы сэмплов)
`--{param_name}`	`add_params.{param_name}`	`int/float/str/bool`	Дополнительный параметр разделения (применяется к нодам типа `separate` внутри пресета)

Web-UI

первичные аргументы - app.py

Аргументы	Параметр	Тип	Описание
`-s`, `-share`, `--share`, `--public`, `--gradio_share`, `--gradio-share`	`share`	`bool`	Создать публичную ссылку через Gradio Share (для доступа из интернета)
`-p`, `-port`, `--port`, `--server_port`, `--server-port`	`port`	`int`	Порт для запуска сервера (по умолчанию: 7860)

Similar repos

mason369/music-to-midi

音乐转MIDI转换器 - Convert audio to multi-track MIDI with lyrics embedding

211

SUC-DriverOld/MSST-WebUI

A WebUI app for Music-Source-Separation-Training and we packed UVR together!

1,273

mason369/AI-RVC

一键 AI 翻唱 (One-click AI Cover Generation)：AI 检索式声音转换工具 - AI Retrieval-based Voice Conversion (RVC)…

undef13/splifft

Lightweight utilities for music source separation and transcription.

openmirlab/bs-roformer-infer

set-soft/AudioSeparation

Audio separation (demixing) using AI. Separating Voices, Instruments, Bass, Drums, etc. CLI and…

adefossez/demucs

Code for the paper Hybrid Spectrogram and Waveform Source Separation

3,413

facebookresearch/demucs

Code for the paper Hybrid Spectrogram and Waveform Source Separation

10,371

noblebarkrr/mvsepless

README

MVSepless

*/непростая обёртка*/ для audio-separator и Music-Source-Separation-Training

Информация о моделях

Источники моделей

Фишки

🛠️ Установка

Совместимость:

Подготовка среды выполнения

Windows:

Установка pytaglib (опционально):

Для случаев, когда бинарный файл для Python-пакета pytaglib недоступен для вашей среды выполнения:

Linux (Ubuntu/Debian):

Установка pytaglib (опционально):

Установка зависимостей

VBach (форк PolGen-RVC)

Документация

Специфичные атрибуты конфигов Roformer моделей

Все атрибуты находятся здесь

Шаблоны имен файлов

Типы ансамбля

Пресеты разделения

Схема пресета и информация о нодах находятся здесь

Кастомные каталоги моделей

Схема каталога и правила работы с ним находятся здесь

Пример пресета для авто-ансамбля

Python

JSON

В командной строке

Пример пресета для итеративного ансамбля

Python

JSON

В командной строке

🚀 Пример использования

Web-UI

Через командную строку

Напрямую

Информация о моделях

Через командную строку

Напрямую

Пример вывода:

Разделение

Через командную строку

Напрямую

Разделение с кастомной моделью

Через командную строку

Напрямую

Итеративный ансамбль (пример использования)

Через командную строку

Напрямую

Авто-ансамбль

Через командную строку

Напрямую

Ручной ансамбль

Через командную строку

Напрямую

Вычитание

Через командную строку

Напрямую

Коррекция фазы

Через командную строку

Напрямую

Пресеты (Preset)

Через командную строку

Напрямую

📋 Параметры методов класса Separator

Инициализация класса (Separator.__init__())

Информация о моделях (Separator().show_info())

Скачать модель (Separator().download())

Разделение (Separator().separate())

Разделение с кастомной моделью (Separator().custom_separate())

Итеративный ансамбль (Separator().iterative_ensemble())

Авто-ансамбль (Separator().auto_ensemble())

Ручной ансамбль (Separator().manual_ensemble())

Вычитание (Separator().subtract())

Коррекция фазы (Separator().phase_fixer())

Пресеты (Separator().run_preset())

Все параметры командной строки

Информация о моделях

/непростая обёртка/ для audio-separator и Music-Source-Separation-Training

Установка `pytaglib` (опционально):

Для случаев, когда бинарный файл для Python-пакета `pytaglib` недоступен для вашей среды выполнения:

Установка `pytaglib` (опционально):

Инициализация класса (`Separator.init()`)

Информация о моделях (`Separator().show_info()`)

Скачать модель (`Separator().download()`)

Разделение (`Separator().separate()`)

Разделение с кастомной моделью (`Separator().custom_separate()`)

Итеративный ансамбль (`Separator().iterative_ensemble()`)

Авто-ансамбль (`Separator().auto_ensemble()`)

Ручной ансамбль (`Separator().manual_ensemble()`)

Вычитание (`Separator().subtract()`)

Коррекция фазы (`Separator().phase_fixer()`)

Пресеты (`Separator().run_preset()`)

/непростая обёртка/ для audio-separator и Music-Source-Separation-Training

Установка `pytaglib` (опционально):

Для случаев, когда бинарный файл для Python-пакета `pytaglib` недоступен для вашей среды выполнения:

Установка `pytaglib` (опционально):