【声音分离】多人语音分离方案：ClearVoice + MossFormer2_SS_16K 实战教程

在智能语音处理领域，"双人同时说话"的重叠语音分离一直是一个高难度问题。很多企业应用，如智能客服、会议纪要、多麦克风设备，都需要把混在一条音轨里的两个人声音拆开，分别保存为独立的 wav 文件。

本文将手把手教你：
📌 一条混合的"双人同时说话"语音 → 输出为两条干净语音

【🚀🚀🚀如果你对人工智能的学习有兴趣可以看看我的其他博客，对新手很友好！🚀🚀🚀】

【🚀🚀🚀本猿定期无偿分享学习成果,欢迎关注一起学习！🚀🚀🚀】

一.🚀 为什么选 ClearVoice？

ClearVoice（ClearerVoice-Studio）是阿里云 ModelScope 团队开源的语音处理工具箱，具备：

能力模块	说明
降噪（Enhancement）	FRCRN、MossFormer 等顶级模型
多说话人分离（Separation）	MossFormer2_SS_16K 直接支持单通道重叠语音分离
目标说话人抽取（TSE）	可基于参考音频抽取指定人物声音
授权	Apache-2.0 友好商用许可

其中的 MossFormer2_SS_16K 专为单通道多说话人语音重叠分离设计，非常契合本文场景：

二.📂 工程目录结构

三.🔧 环境准备

推荐新环境安装：

bash 复制代码

conda create -n sep_env python=3.10 -y
conda activate sep_env

安装依赖：

bash 复制代码

pip install clearvoice soundfile

⚠️注意

如果输入不是 WAV，确保已安装 ffmpeg：

bash 复制代码

# Windows: 推荐 choco 安装（管理员 PowerShell）
choco install ffmpeg

如果你的机器带 GPU，并安装了 CUDA 版 PyTorch，分离速度会提升 3~10 倍。

四.🧠 核心代码

完整 main.py 如下👇

python 复制代码

# main.py
# 功能：用 ClearVoice 的 MossFormer2_SS_16K 把一条混合男女声，分离为两条独立人声音频

import os
from pathlib import Path

from clearvoice import ClearVoice  # 来自 ClearerVoice-Studio

BASE_DIR = Path(__file__).resolve().parent
DATA_DIR = BASE_DIR / "data"
INPUT_WAV = DATA_DIR / "input.wav"          # 你的混合音频
OUTPUT_DIR = BASE_DIR / "output_separated"  # 输出目录

def main():
    if not INPUT_WAV.exists():
        raise FileNotFoundError(f"找不到输入文件: {INPUT_WAV}")

    os.makedirs(OUTPUT_DIR, exist_ok=True)

    print("======= ClearVoice 多说话人分离（MossFormer2_SS_16K）=======")
    print(f"[INFO] 输入文件: {INPUT_WAV}")
    print(f"[INFO] 输出目录: {OUTPUT_DIR}")

    # 初始化分离模型：任务 = speech_separation，模型 = MossFormer2_SS_16K
    separator = ClearVoice(
        task="speech_separation",
        model_names=["MossFormer2_SS_16K"]
    )

    # online_write=True 表示：直接把分离后的每个通道写到 OUTPUT_DIR 里
    separator(
        input_path=str(INPUT_WAV),
        online_write=True,
        output_path=str(OUTPUT_DIR)
    )

    # 列出输出结果，方便你看到文件名
    wavs = sorted(OUTPUT_DIR.glob("*.wav"))
    print("\n[RESULT] 分离完成，生成的文件：")
    for i, w in enumerate(wavs):
        print(f"  [{i}] {w.name}")

if __name__ == "__main__":
    main()

五.🚀分离结果

【非常清晰干净的两条人声】🚀🚀🚀🚀🚀

六.🚀传送门🚀

【企业级对话处理】自动估计说话人数 + 声纹聚类 + ASR 转写（FunASR + ModelScope + ClearVoice）-CSDN博客

搭配本猿的这篇博客，效果更佳哦！🚀🚀🚀