文字與參考音訊引導的聲音分離 (AudioSep-Hive) 是什麼？

可用 AudioSep-Hive、FlowSep-Hive 或 CLAPSep 依開放詞彙描述擷取聲音，也可用 Banquet 依 10 秒參考音訊分離相符的聲源。; WAV; 重混、伴奏練習與分聲部編輯。

文字與參考音訊引導的聲音分離 (AudioSep-Hive) 適合誰使用？

分離與拆軌可用 AudioSep-Hive、FlowSep-Hive 或 CLAPSep 依開放詞彙描述擷取聲音，也可用 Banquet 依 10 秒參考音訊分離相符的聲源。; WAV; 重混、伴奏練習與分聲部編輯。

文字與參考音訊引導的聲音分離 (AudioSep-Hive) 可以解決哪些任務？

分離與拆軌; WAV; 重混、伴奏練習與分聲部編輯。; 支援 mp3 / wav / flac / ogg / m4a / aac / aif / aiff / mp4 / mov / mkv 等格式輸入; AudioSep-Hive; FlowSep-Hive

文字與參考音訊引導的聲音分離 (AudioSep-Hive)

Q: 文字與參考音訊引導的聲音分離 (AudioSep-Hive) 適合誰使用？

分離與拆軌 可用 AudioSep-Hive、FlowSep-Hive 或 CLAPSep 依開放詞彙描述擷取聲音，也可用 Banquet 依 10 秒參考音訊分離相符的聲源。; WAV; 重混、伴奏練習與分聲部編輯。

Q: 文字與參考音訊引導的聲音分離 (AudioSep-Hive) 關聯哪些模型與相關術語？

AudioSep-Hive, FlowSep-Hive, CLAPSep, Banquet, Hive source (pinned), AudioSep-Hive weights (pinned), FlowSep-Hive weights (pinned), Hive paper

模型、參數和來源

AudioSep-HiveFlowSep-HiveCLAPSepBanquetHive source (pinned)AudioSep-Hive weights (pinned)FlowSep-Hive weights (pinned)Hive paperCLAPSep source (pinned)Official CLAPSep Space artifacts (pinned)CLAPSep paperBanquet source (pinned)

分數只代表所列來源中的資料集、指標與模型版本；表內領先不等於目前全球第一，也不證明本站執行結果。無可比分數的模型仍可依能力與實測優先使用。

基準圖表：文字與參考音訊引導的聲音分離

表中只列出有公開權重或設定、可在本機執行的模型。

文字與參考音訊引導的聲音分離

Hive paper, main test table

數值來自連結的公開來源；列標籤會標明測試集或檢查點，缺少相同協定結果的模型不列入。

公開資料核對：2026-09-10

排名	評測條件	模型	SI-SDR (dB) ↑	詳細指標
#1	Hive 測試集	AudioSep-HiveTelkNetHive paper	5.02最佳	SDR (dB) ↑5.67最佳LPAPS ↓3.86最佳FAD ↓0.80最佳CLAP-Audio ↑0.65最佳CLAP-T ↑0.31最佳MUSHRA ↑68.40最佳OQ ↑3.34最佳Rec ↑4.81Pre ↑3.40最佳Fai ↑4.39
#2	Hive 測試集	AudioSep (original)Hive paper	1.58	SDR (dB) ↑2.37LPAPS ↓4.22FAD ↓0.90CLAP-Audio ↑0.57CLAP-T ↑0.26MUSHRA ↑60.90OQ ↑2.94Rec ↑4.86最佳Pre ↑2.96Fai ↑4.47最佳

文字與參考音訊引導的聲音分離

Hive paper, main test table

來源採用不同訓練或任務條件，數字只適合在標明的協定內比較。

公開資料核對：2026-09-10

評測條件	模型	FAD ↓	詳細指標
分離輸出 · Hive 測試集	AudioSep-HiveTelkNetHive paper	0.80	SDR (dB) ↑5.67SI-SDR (dB) ↑5.02LPAPS ↓3.86CLAP-Audio ↑0.65CLAP-T ↑0.31MUSHRA ↑68.40OQ ↑3.34Rec ↑4.81Pre ↑3.40Fai ↑4.39
生成輸出 · Hive 測試集	FlowSep-HiveTelkNetHive paper	0.84	LPAPS ↓4.25CLAP-Audio ↑0.61CLAP-T ↑0.19MUSHRA ↑61.80OQ ↑3.05Rec ↑4.18Pre ↑3.35Fai ↑3.70

文字與參考音訊引導的聲音分離

CLAPSep paper, Table V

數值來自連結的公開來源；列標籤會標明測試集或檢查點，缺少相同協定結果的模型不列入。

公開資料核對：2026-09-10

± 表示標準差。

排名	評測條件	模型	SDRi (dB) ↑	詳細指標
#3	2 個聲源 · 1 個目標	AudioSepCLAPSep paper Table V	8.60 ± 8.86	SI-SDRi (dB) ↑7.38 ± 9.48
#2	2 個聲源 · 1 個目標	CLAPSep-PTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	10.03 ± 11.27	SI-SDRi (dB) ↑8.70 ± 12.64
#1	2 個聲源 · 1 個目標	CLAPSep-PNTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	12.67 ± 7.80最佳	SI-SDRi (dB) ↑11.79 ± 8.23最佳
#3	3 個聲源 · 1 個目標	AudioSepCLAPSep paper Table V	4.90 ± 6.13	SI-SDRi (dB) ↑4.20 ± 6.42
#2	3 個聲源 · 1 個目標	CLAPSep-PTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	6.48 ± 7.82	SI-SDRi (dB) ↑5.73 ± 8.50
#1	3 個聲源 · 1 個目標	CLAPSep-PNTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	8.96 ± 6.13最佳	SI-SDRi (dB) ↑8.09 ± 6.17最佳
#3	3 個聲源 · 2 個目標	AudioSepCLAPSep paper Table V	5.30 ± 5.38	SI-SDRi (dB) ↑2.96 ± 5.54
#2	3 個聲源 · 2 個目標	CLAPSep-PTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	6.35 ± 7.36	SI-SDRi (dB) ↑4.88 ± 8.10
#1	3 個聲源 · 2 個目標	CLAPSep-PNTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	8.90 ± 5.78最佳	SI-SDRi (dB) ↑7.82 ± 6.32最佳
#3	4 個聲源 · 1 個目標	AudioSepCLAPSep paper Table V	3.52 ± 5.21	SI-SDRi (dB) ↑2.81 ± 5.76
#2	4 個聲源 · 1 個目標	CLAPSep-PTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	5.94 ± 7.58	SI-SDRi (dB) ↑4.85 ± 8.29
#1	4 個聲源 · 1 個目標	CLAPSep-PNTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	7.73 ± 5.79最佳	SI-SDRi (dB) ↑6.80 ± 6.00最佳
#3	4 個聲源 · 2 個目標	AudioSepCLAPSep paper Table V	2.37 ± 4.26	SI-SDRi (dB) ↑0.65 ± 4.32
#2	4 個聲源 · 2 個目標	CLAPSep-PTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	2.91 ± 5.54	SI-SDRi (dB) ↑1.37 ± 5.98
#1	4 個聲源 · 2 個目標	CLAPSep-PNTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	5.20 ± 4.63最佳	SI-SDRi (dB) ↑4.01 ± 4.95最佳
#3	4 個聲源 · 3 個目標	AudioSepCLAPSep paper Table V	4.20 ± 4.51	SI-SDRi (dB) ↑2.03 ± 4.27
#2	4 個聲源 · 3 個目標	CLAPSep-PTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	5.34 ± 6.70	SI-SDRi (dB) ↑3.79 ± 7.09
#1	4 個聲源 · 3 個目標	CLAPSep-PNTelkNet對應工具模型：CLAPSepCLAPSep paper Table V	8.00 ± 4.87最佳	SI-SDRi (dB) ↑6.73 ± 5.20最佳

論文與基準說明

A Semantically Consistent Dataset for Data-Efficient Query-Based Universal Sound Separation

ICML - 2026

Paper

CLAPSep: Leveraging Contrastive Pre-trained Model for Multi-Modal Query-Conditioned Target Sound Extraction

IEEE/ACM TASLP - 2024

Paper

A Stem-Agnostic Single-Decoder System for Music Source Separation Beyond Four Stems

ISMIR - 2024

Paper

官方 / 倉庫

Hive source (pinned)AudioSep-Hive weights (pinned)FlowSep-Hive weights (pinned)CLAPSep source (pinned)Official CLAPSep Space artifacts (pinned)Banquet source (pinned)Official Banquet checkpoint

論文/技術筆記

Hive paper CLAPSep paper Banquet paper

參數指南

用自然語言描述要擷取的聲音；AudioSep-Hive 與 FlowSep-Hive 必須填寫。
為 CLAPSep 選擇正向文字、參考音訊或兩者並用。
描述 CLAPSep 應保留的目標聲音。
選填：描述 CLAPSep 應抑制的聲音。
上傳能代表目標聲音的參考音訊。
選填：上傳要抑制聲音的參考音訊。
上傳 Banquet 參考音訊；官方輸入約定使用 10 秒查詢片段。
FlowSep-Hive 的生成步數。官方預設 20，增加步數會延長處理時間。
FlowSep-Hive 的無分類器引導強度，官方預設 1.0。
Banquet 查詢頻帶的批次大小，官方推論預設 12。

文字與參考音訊引導的聲音分離

模型、參數和來源

AudioSep-Hive

FlowSep-Hive

CLAPSep

Banquet

基準圖表：文字與參考音訊引導的聲音分離

文字與參考音訊引導的聲音分離

文字與參考音訊引導的聲音分離

文字與參考音訊引導的聲音分離

論文與基準說明

A Semantically Consistent Dataset for Data-Efficient Query-Based Universal Sound Separation

CLAPSep: Leveraging Contrastive Pre-trained Model for Multi-Modal Query-Conditioned Target Sound Extraction

A Stem-Agnostic Single-Decoder System for Music Source Separation Beyond Four Stems

官方 / 倉庫

論文/技術筆記

參數指南

操作建議

提交前檢查

一鍵回饋