视频中的说话声与配乐重叠时，可以先分离人声，再把下载的音频交给转写或字幕工具。Music Remover 用于准备音频，不会生成转写文字、识别说话人、制作 SRT 文件或给视频添加字幕。发布前仍需对照原始视频检查词句和时间。
什么时候需要先分离再转写？
这套流程适用于需要转写的语音与配乐重叠的素材，例如教程、访谈片段或解说短视频。如果你已经拥有清楚的麦克风录音或独立对白轨，可以先把它交给字幕工具。分离是额外的处理步骤，也可能改变部分人声。
先听姓名、数字、小声说出的词句，以及配乐较响处的语音，并记下位置，方便复核。如果配乐中包含歌词，讲话声与歌声可能同时留在人声轨中，转写工具就可能把歌词也当成对白。人声轨不会自动只保留你想加字幕的那位说话人。
准备支持的音视频文件，大小不超过 100 MiB，或使用公开的 HTTPS 媒体文件直链。YouTube 播放页不符合直链要求。只提交你有权交给处理服务的媒体。输入格式和临时下载规则详见文件处理指南。
怎样准备人声轨？
- 保留原视频并记录目标片段。 即使处理的是音频副本，也用原视频核对词句和时间。
- 在工具中选择文件并登录。 混合语音录音或旁白可选择「通用音频 · Audio」，输出人声与背景音两轨。转写时先选择仅人声，再与原始录音对照重要词句。
- 选择转写工具支持的格式。 分离音频可导出 AAC, MP3, WAV, M4A, FLAC，处理前先确认接收工具的格式要求。
- 等待上传完成并提交任务。 上传结束且任务进入队列后，处理会在后台继续。可以回到「我的处理文件」查看结果。
- 对比原音频与人声结果。 检查标记的词句和声音突变。如果处理后语音更难辨认，可把原音频也交给转写工具，再对比两份文字。
这套流程不保证提升转写准确率。分离与转写是两项不同的处理，前一步产生的声音瑕疵可能影响后一步。
字幕工具应该接收哪种文件？
| 接收工具支持的输入 | 应下载的结果 |
|---|---|
| 用于转写的音频文件 | 工具支持格式的人声音频 |
| 用于自动字幕的视频文件 | 视频输入生成的纯人声 MP4 |
| 仅接受特定格式或文件大小 | 兼容的导出结果，需要时再在编辑器中转换 |
以接收工具实际的输入要求为准。导出为 WAV 或 FLAC 不会还原缺失的词句或录音细节。如果下载纯人声 MP4，也要保留原视频，用于核对画面、语音上下文，以及之后需要恢复的音乐或音效。
临时下载链接有效时及时保存结果，并确认文件能在接收工具中打开。账户中的历史记录是任务记录，并不是媒体文件的永久存储空间。
怎样检查转写文字与字幕？
在外部工具中运行转写后，对照源文件核对姓名、数字、专业术语和所有不确定的句子。如果原版与分离版中都听不清某个词，应标记为待人工确认，避免凭猜测补全。多人素材还需要单独检查说话人归属。
制作字幕时，将每条字幕的开始和结束时间与原视频对齐。如果处理前截取了片段，把字幕放回完整时间线时，需要补回该片段的起始偏移。如果后来重新剪辑，还要按新剪辑调整字幕；音频处理不会代替这些时间轴工作。
纯人声视频可能不包含需要写入字幕的其他声音，例如关门声或音乐提示。对照原版检查，并自行补充必要的声音描述。音轨分离不会生成无障碍字幕，也不会验证字幕是否完整。
打开音乐移除工具 准备人声轨。如果下一步需要其他语言，可阅读
翻译与配音准备指南
。