TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
ClearerVoice-Studio 開源語音工具包，去噪與人聲分離筆電就能跑
ClearerVoice-Studio 是阿里巴巴語音實驗室開源的 AI 語音處理工具包，去噪、人聲分離、升頻一次包辦；實測在筆電 CPU 上就能跑得動，但主程式碼已凍結一年多、兩個 HuggingFace 演示雙雙掛掉，想用之前先看清維護現況。
用 AI 摘要這篇文章：
先講結論：ClearerVoice-Studio 值得裝，但你要知道拿到手的東西停在 2025 年 8 月。這套由阿里巴巴語音實驗室開源的語音處理工具包，核心功能到今天都裝得起來、跑得動，我在沒有獨立顯卡的 Apple Silicon 筆電上把去噪、分離幾種任務全部跑過一輪，處理速度都快過音檔本身的長度；但它的兩個官方線上 Demo 已經雙雙掛掉、主程式碼凍結超過一年、社群修好的程式碼堆在門口沒人收。一句話：跑自己的一次性清理任務很值得，要當成長期依賴的基礎建設，先看完整篇再決定。
它在 GitHub 上有 4,500 多顆星，採 Apache-2.0 授權，能做的事情圍繞著四類語音任務：把帶噪音的錄音變乾淨（語音增強）、把兩個人同時講話的音檔拆成兩軌（語音分離）、把低取樣率的語音拉到 48kHz（超解析），以及從混合音場裡指定抽出某個說話的人（目標說話人提取，其中一個子任務甚至支援用嘴唇影像或腦電訊號當線索）。
這套工具包裡面裝了什麼
ClearerVoice-Studio 不是單一模型，而是三個部件的組合：ClearVoice 是推理入口，載入預訓練模型直接處理音檔；Train 是給研究者的微調訓練腳本；SpeechScore 則是一組語音品質評分指標（SNR、PESQ、STOI、DNSMOS 這類），官方自己的評測數字就是用它算出來的。三個部件共用一個 repo，各有一份說明文件。
先把幾個容易混淆的名詞用一句話講清楚。語音增強指的是把噪音壓掉、讓人聲變清楚，輸入輸出取樣率不變；語音分離是混合音檔裡同時有好幾個人講話，把它拆成每人一軌；超解析是升頻，把 16kHz 等級的語音內容補到 48kHz 的頻寬，救的是聽感細節而不是清晰度；目標說話人提取則是在混合音場裡指定「只要這個人」，線索可以是另一段參考語音、一段嘴唇影片，研究方向的子任務甚至支援用腦電訊號當條件。任務之間共用模型家族，所以訓練腳本目錄才會長出一整排子資料夾。
推理入口目前對應的預訓練模型如下：
| 任務 | 模型 | 權重大小 |
|---|---|---|
| 語音增強（16kHz） | FRCRN_SE_16K、MossFormerGAN_SE_16K | 161MB、136MB |
| 語音增強（48kHz 全頻段） | MossFormer2_SE_48K | 222MB |
| 語音分離（16kHz） | MossFormer2_SS_16K | 670MB |
| 語音超解析（升至 48kHz） | MossFormer2_SR_48K | 兩個權重檔合計約 440MB |
| 目標說話人提取（視聽融合） | AV_MossFormer2_TSE_16K | 約 735MB |
模型權重第一次執行時自動從 HuggingFace 下載，之後留在本機快取，也可以手動從 ModelScope 下載。支援的輸入格式涵蓋 WAV、FLAC、MP3、M4A、OGG、OPUS 等常見類型，單聲道與雙聲道、16 與 32 位元深度都吃，非 WAV 格式靠系統的 FFmpeg 轉檔。出身方面，README 自己署名是 Alibaba Group 智能計算研究院的語音實驗室，聯絡信箱是 alibaba-inc.com 網域，團隊也在 2025 年 6 月發過一篇說明整體設計的論文，論文裡的定位講得很直白：不像 SpeechBrain、ESPnet 那種什麼都包的大型平台，專注在語音增強、分離、超解析與多模態說話人提取這幾件互相關聯的任務上。
這套包裝的底層模型早在工具包出現前就已經在被大規模使用：ModelScope 上的 FRCRN 語音降噪模型頁面顯示約 692 萬次下載，MossFormer 語音分離模型約 271 萬次，截至 2026 年 10 月。凍結的是包裝與工程層，模型本身經過大量實戰。整個 repo 的提交紀錄也很有辨識度：超過三百次提交幾乎全來自兩位署名作者，是典型的實驗室內部專案形態，而不是開放社群共同維護的基金會型專案，這點先記著，下面談維護時會用到。
我在筆電上實際跑出來的數字
安裝只有一行：pip install clearvoice。我在 Python 3.11 的乾淨虛擬環境裡裝 0.1.2 版，連同 PyTorch 在內的全部相依套件一次成功，全程 56 秒，沒有碰到任何需要編譯器的環節。四種任務的實測結果如下（Apple Silicon 筆電、純 CPU、2026-10 實測）：
| 任務 | 模型 | 輸入 | CPU 耗時 | 輸出 |
|---|---|---|---|---|
| 去噪 | FRCRN_SE_16K | 2.4 秒 WAV | 2.33 秒 | 同長度 16kHz 單聲道 |
| 去噪 | FRCRN_SE_16K | 18.5 秒 MP3 | 4.51 秒 | 同長度（內容仍為 MP3） |
| 增強 | MossFormer2_SE_48K | 25.6 秒、48kHz 陣列 | 1.89 秒 | 同長度 48kHz |
| 分離 | MossFormer2_SS_16K | 4.4 秒雙人混合 | 1.12 秒 | 兩軌各 4.4 秒 |
有兩個細節讓我確認處理是真的發生了，而不是原檔穿過去：輸入與輸出的波形相關係數是 0.954，差異訊號的振幅約是原始訊號的三成（能量比約 9%）。輸出檔的長度、取樣率、聲道數都與輸入一致，分離任務則照著混合音檔裡的人數輸出兩軌各自完整的音檔。音質聽起來變好多少，這我沒有立場替你判斷，能跟你保證的是處理真實發生、時間成本大概多少；官方評測表中 48kHz 增強模型在 VoiceBank+DEMAND 測試集的 PESQ 分數高於 Resemble Enhance 與 DeepFilterNet 兩個開源同行，那是官方統一模型跑出來的數字，僅供參考。
第一次跑的隱形成本是權重下載：我實測的 FRCRN 模型 161MB，下載連同載入花約 30 秒，之後全走本機快取，第二次起就是純推理時間。另外兩個大模型（超解析與視聽提取）的儲存庫裡還附了訓練狀態檔，首次下載量會比表列的權重數字更大。輸入也支援一整個資料夾或純文字清單檔，清單模式搭配 online_write=True 會邊處理邊寫檔，適合一次丟幾十個訪談錄音進去放著跑。
程式介面本身很省事，三行就能跑完一個檔案：
from clearvoice import ClearVoice
cv = ClearVoice(task='speech_enhancement', model_names=['FRCRN_SE_16K'])
output = cv(input_path='input.wav', online_write=False)
cv.write(output, output_path='output.wav')task 從 speech_enhancement、speech_separation、target_speaker_extraction 三個值裡選，model_names 可以一次指定多個模型比對輸出，輸入可以是單檔、整個資料夾或清單檔。只吃 WAV 的話連 FFmpeg 都不用裝；MP3、M4A、OGG 之類的格式才需要系統裡有 FFmpeg，我餵 18.5 秒的 MP3 進去就是走這條路。
想先在瀏覽器試用，入口只剩一個
README 頂端掛了兩個 HuggingFace 展示連結，ClearVoice 與評分工具 SpeechScore 各一個，目前兩個都是 RuntimeError 狀態。ClearVoice 那個的死因頁面上看得一清二楚：示範環境釘住的 gradio 版本呼叫了新版 huggingface_hub 已經移除的 HfFolder，一連串 import 在開機階段就斷掉。這不是什麼深奧的模型問題，就是展示環境沒人跟著相依套件更新，放到爛掉了。兩個展示空間的最後更新時間分別停在 2025 年 7 月與 2024 年 11 月，對照主 repo 凍結在 2025 年 8 月，時間軸是完全一致的：整個專案的對外門面在同一個夏天之後就靜止了。
還能用的官方入口在 ModelScope：同一個服務的 ModelScope 版目前狀態是運行中，頁面顯示超過 12 萬次瀏覽，介面就是上傳音檔、選任務、聽結果，連帳號都不用註冊就能試。其實 README 在 2025 年 1 月的新聞欄就寫過「HuggingFace 的 GPU 額度有限，ModelScope 額度比較多」，現在的狀況只是這句話的極限版。
想找其他瀏覽器裡的方案，之前介紹過的 Chrome 人聲分離擴充功能 走的是本機運算路線，適合即時處理會議或通話聲；ClearerVoice 的強項則在批量檔案與可程式化，兩者其實互補。
維護狀態是真正要看的紅線
判斷一套開源工具能不能長期依賴，星星數向來不作準，要緊的是有沒有人持續打掃。這裡的答案偏向沒有：主分支最後一次提交停在 2025 年 8 月 14 日，內容是更新 README；PyPI 上的 clearvoice 套件 0.1.2 版發布於 2025 年 7 月 11 日，之後再沒有新版本。README 頂端的 News 欄最後一條是 2025 年 6 月，還掛著「Upcoming: More tasks」的預告，至今沒有下文。
issue 追蹤區累積了 83 個未解項目，2026 年的新通報基本都沒有得到官方答覆。比較具體的例子：有人在今年 7 月仔細列出 MossFormer2_SE_48K 在 NumPy 介面處理超過 20 秒音檔時的三個程式錯誤，附上完整修補 diff，至今無人處理；我把 PyPI 出廠包解開對照，那三個出問題的程式碼位置在 0.1.2 版裡一字不差地都在。pull request 區同樣堆了 9 個等待合併的提交，最舊的一個（幫 FRCRN 加即時處理）從 2024 年 12 月排隊到現在；還有一個把相依套件放寬到 NumPy 2 相容的提交也躺滿三個月，這直接影響一般使用者：套件的版本約束目前釘著 numpy<2.0，在已經全面升上 NumPy 2 的環境裝它，得另外隔離一個環境。修好的程式碼就在門口，只是沒有人開門。
對使用者的實際意義：裝起來用的瞬間，你接受的是 2025 年 8 月的快照，問題只能靠 issue 區彼此幫忙或自己 fork。好處是快照本身能用、權重下載正常、模型在大規模場景被驗證過；壞處是下一個 Python 大版本、下一個相依套件的破壞性更新，都得自己扛。兩位主力作者的電子信箱就掛在 README 上，但從 issue 區的靜默看，別把答覆寄望在官方身上。
接進自己程式前的幾個坑
取樣率是自己扛的責任。 NumPy 陣列輸入的介面不會檢查你的音檔取樣率，官方範例的註解寫明 48kHz 模型就要先自己把陣列重取樣到 48000Hz 再餵進去。我實際對照過：把 16kHz 的陣列直接餵給 48kHz 模型，不會報錯，程式照樣跑完，只是它把 25.6 秒的聲音當成 8.5 秒的 48kHz 訊號在處理，時間軸整個錯掉。檔案路徑模式沒有這個問題，它會自己處理取樣率。
長音檔別走 NumPy 介面。 上面提到的那組三個錯誤，後果是超過 20 秒的陣列輸入會走進一段有問題的分段處理分支，通報者量到的現象包括 60 秒的輸入被墊成 66 秒的輸出，以及 192 秒的音檔在修復前直接讓 Python 行程被系統終結、連錯誤訊息都沒有。同一批錯誤不影響檔案路徑模式，所以我全部的實測都以檔案或正確重取樣的路徑為準。
Windows 使用者直接走 PyPI。 從 GitHub 下載 repo 再照 requirements.txt 安裝的路線，在 Windows 會卡在 pesq、pysptk 兩個需要微軟 C 編譯器的套件上，今年 2 月就有人反映，至今掛著。PyPI 的 clearvoice 套件 dependencies 沒有這兩項，安裝路線選對就沒事。
評分時記得官方但書。 README 自己記了一筆：用 48kHz 模型處理後，LLR 與 LSD 兩個指標出現異常，原因還在查。你要用 SpeechScore 替輸出打分數，這兩項先打個問號。
視訊與腦電任務沒有實測。 目標說話人提取的視聽融合模型需要影片檔當輸入（官方支援 AVI、MP4、MOV、WebM），訓練目錄裡的腦電子任務更屬於實驗室性質。這篇的實測範圍是純音檔的增強與分離，這兩塊我沒有跑，需要的人直接看 repo 對應子目錄的說明文件會比任何轉述可靠。
誰該裝，誰該繞開
適合的情境很明確：手上有訪談、Podcast 素材或配音稿要清理，想用不用錢的方案在本機批次處理，不想把檔案傳到雲端服務；或者你在做語音相關的實驗，需要一組現成的預訓練模型當基準。清理完的錄音如果要變成文字稿，可以接著交給 本機就能跑的語音轉文字工具，或交給 線上的錄音轉文字服務；方向相反、要把乾淨文字唸成聲音的，之前寫過的 開源文字轉語音模型 與 自架的微軟語音服務 都在站上。
不適合的情境同樣明確：你需要的是圖形介面按到底（用 ModelScope 線上版就好）、你需要商業支援與維護承諾、或者你的產品要把它的長音檔 NumPy 路徑放進關鍵流程（那組已知的錯誤還躺著）。還有一種人要三思：環境已經全面升上 NumPy 2 的團隊，得多養一個隔離環境來伺候它的版本約束。
第一步很單純：pip install clearvoice，拿一段你自己的錄音跑上面那三行程式，聽完輸出再決定要不要把它留下來。它是那種「前人種好樹、後人自澆水」的工具，樹是真的能乘涼，澆水這件事，現在得自己來。
