提取音乐技巧：从别人视频里扒取 BGM 的合法操作

一、问题定义：为什么"扒BGM"是一个三层问题

在短视频与二次创作高度繁荣的当下，"从别人的视频里提取BGM"已经成为一个高频需求场景。无论是剪辑爱好者想复用某段视频里的背景音乐，还是内容创作者需要为自己的作品找到合适的配乐，抑或是研究者需要对视频中的音乐内容进行学术分析，都会面临同一个技术起点：如何从一段已经混合了人声、环境音、音效和音乐的成品视频中，把音乐部分"扒"出来。

但这个问题远不止"提取音频"四个字那么简单。笔者认为，从工程视角看，它实际上是一个三层递进问题：

这三层问题构成了本文的核心分析主线。之所以强调"主线"而非"并列"，是因为三者之间存在严格的依赖关系：分离质量直接决定识别准确率，识别结果直接决定合规判断的路径。如果分离出来的音轨信噪比过低，指纹匹配就会失败；如果匹配不到具体曲目，就无法确定版权归属，合规判断也就无从谈起。因此，任何试图跳过某一层直接进入下一层的做法，在工程上都是不可靠的。

本文评述：现有中文技术社区关于"提取BGM"的内容，大多停留在工具推荐层面（"用XX软件就能提取"），缺乏对三层问题的系统性拆解。这导致大量用户在实际操作中遇到"提取出来音质差""识别不出来是什么歌""识别出来了但不知道能不能用"等问题时，无法定位问题出在哪一层。本文试图填补这一空白。

二、第一层：信号可分离性——音源分离的技术原理与工程实践

2.1 从盲源分离到深度音源分离

音源分离（Music Source Separation, MSS）的目标是从混合音频中恢复出各个独立声源。这一问题的数学基础可以追溯到经典的"鸡尾酒会问题"（Cocktail Party Problem），即人类听觉系统如何在嘈杂环境中聚焦于特定说话人。在信号处理领域，独立成分分析（ICA）和非负矩阵分解（NMF）是早期的主流方法。

ICA的核心假设是各声源统计独立，通过最大化非高斯性来分离信号。但这一假设在音乐场景下往往不成立——人声和乐器之间存在和声关系，统计上并不独立。NMF则通过将频谱图分解为基函数和激活矩阵来实现分离，在特定乐器分离上有一定效果，但对复杂混合场景的泛化能力有限。

2015年前后，深度学习的引入彻底改变了这一领域。2017年，Uhlich等人提出的基于深度神经网络的分离方法在SiSEC（Signal Separation Evaluation Campaign）评测中显著超越了传统方法。此后，基于U-Net架构的频谱掩码估计成为主流范式：网络输入混合音频的幅度谱，输出各声源的理想比值掩码（Ideal Ratio Mask, IRM），再与混合相位结合重建时域信号。

本文评述：从ICA到深度掩码估计的演进，本质上是从"依赖统计假设"到"依赖数据驱动"的范式转换。传统方法的优势在于可解释性强、计算量小，但泛化能力受限于假设的严格性；深度方法的优势在于能学习复杂的非线性映射，但需要大量标注数据和算力。在工程实践中，选择哪种方法取决于具体场景——如果只需要分离特定类型的音乐（如钢琴独奏），传统方法可能足够；如果需要处理任意视频中的复杂混音，深度方法是唯一可行的选择。

2.2 主流深度分离模型对比

当前工程实践中可用的深度音源分离模型主要有以下几类：

模型	架构	分离目标	SDR（MUSDB18）	工程特点
Spleeter (Deezer)	U-Net	4stems/5stems	人声~6.3dB / 鼓~5.7dB	推理快，GPU友好，但高频细节损失明显
Open-Unmix (UMX)	BLSTM	4stems	人声~5.3dB / 鼓~6.4dB	轻量，可解释性好，适合嵌入式部署
Demucs v3 (Meta)	Hybrid Transformer	4stems	人声~7.8dB / 鼓~7.2dB	质量显著提升，但显存占用大
Demucs v4 (HT Demucs)	Hybrid Transformer	4stems/6stems	人声~8.5dB / 鼓~8.0dB	当前开源SOTA，支持6轨分离

表中SDR（Signal-to-Distortion Ratio）数据来源于MUSDB18基准测试的公开评测结果（Rouard et al., 2023; Défossez, 2021）。需要说明的是，SDR数值是在特定测试集上的平均值，实际表现会因音频内容、混音风格、录音质量等因素有较大波动。

Demucs v4（又称HT Demucs）是目前开源社区公认的分离质量最高的模型。其核心创新在于将Transformer引入音源分离，通过交叉注意力机制捕捉时域和频域的长距离依赖关系。具体来说，模型在时域分支使用波形级U-Net，在频域分支使用频谱级U-Net，两个分支的输出通过Transformer层进行融合。这种混合架构的优势在于：时域分支擅长捕捉瞬态细节（如鼓点），频域分支擅长捕捉谐波结构（如人声和旋律），两者互补。

本文评述：从工程角度看，Demucs v4的质量优势是有代价的——其推理速度约为Spleeter的1/5到1/3（取决于硬件配置），显存占用约为后者的3-5倍。对于需要批量处理大量视频的场景，Spleeter或Open-Unmix可能是更务实的选择；对于追求极致分离质量的场景，Demucs v4是当前的最优解。这种"质量-效率"的权衡，是音源分离工程中永恒的主题。

2.3 从视频中提取音轨的预处理

在进入音源分离之前，需要先从视频容器中提取音频流。这一步看似简单，但有几个工程细节需要注意：

采样率与位深：大多数视频平台的音频流为AAC编码，采样率44.1kHz或48kHz，位深16bit。提取时应保持原始采样率，避免重采样引入额外失真。如果后续分离模型要求特定采样率（如Demucs要求44.1kHz），应在提取时一次性完成重采样。

声道处理：视频音轨可能是立体声或5.1环绕声。大多数分离模型针对立体声训练，如果是多声道音轨，需要先下混为立体声。下混时应使用标准矩阵（如ITU-R BS.775），避免简单平均导致相位抵消。

响度归一化：不同视频的音频响度差异很大。在分离前进行响度归一化（如EBU R128标准），可以避免分离模型因输入电平过低而表现不佳。但归一化不应改变音频的动态范围，建议使用线性增益而非压缩器。

推荐工具链：FFmpeg是视频音频提取的事实标准。以下命令可以提取视频中的音频流并转换为分离模型所需的格式：

ffmpeg -i input_video.mp4 -vn -acodec pcm_s16le -ar 44100 -ac 2 output_audio.wav

参数说明：-vn禁用视频流，-acodec pcm_s16le指定16bit PCM编码，-ar 44100指定44.1kHz采样率，-ac 2指定立体声。

2.4 分离质量评估：从SDR到主观听感

分离质量评估是工程实践中容易被忽视但至关重要的环节。客观指标方面，SDR是最常用的度量，其计算方式为：

SDR = 10 · log₁₀ ( ||s_target||² / ||e_interf + e_noise + e_artif||² )

其中s_target是目标声源，e_interf是干扰声源误差，e_noise是噪声误差，e_artif是算法伪影误差。SDR越高，分离质量越好。但SDR有一个已知缺陷：它对伪影的惩罚不够敏感，有时SDR较高的结果听起来反而不如SDR较低的结果自然。

因此，工程实践中建议结合主观听感评估。一个实用的方法是ABX测试：将分离结果与原始混音交替播放，判断是否能听出差异。对于BGM提取场景，重点关注以下几点：

• 人声残留：分离出的"伴奏"轨中是否还有可辨识的人声？这是最常见的质量问题。
• 高频损失：镲片、弦乐泛音等高频成分是否被过度抑制？
• 低频浑浊：贝斯和底鼓是否分离不清，导致低频区域浑浊？
• 伪影：是否有金属感、水声感等算法伪影？

本文评述：SDR作为客观指标有其价值，但不应作为唯一标准。在BGM提取场景中，"听起来像不像一首完整的伴奏"比SDR数值更重要。笔者建议在实际工程中建立自己的主观评估标准，针对目标音乐类型（流行、电子、古典等）分别制定质量阈值。

三、第二层：版权可溯性——音频指纹与音乐识别技术

3.1 音频指纹的基本原理

音频指纹（Audio Fingerprinting）是一种将音频信号映射为紧凑数字摘要的技术，其核心要求是：同一音频的不同版本（不同编码、不同音量、部分片段）应产生相同或高度相似的指纹，而不同音频应产生差异明显的指纹。

最经典的音频指纹算法是Shazam在2003年提出的方法（Wang, 2003）。其核心步骤包括：

第一步，频谱图计算：将音频转换为频谱图，通常使用短时傅里叶变换（STFT），窗长约4096点， hop size约1024点。

第二步，峰值点提取：在频谱图上提取局部最大值点（peak），这些点对应音频中最显著的频率成分。提取时使用局部最大值滤波器，确保每个峰值点在时频邻域内是唯一的。

第三步，指纹哈希生成：将峰值点配对，每对峰值点生成一个哈希值，格式为(f1, f2, Δt)，其中f1和f2是两个峰值点的频率，Δt是它们的时间差。这些哈希值构成了音频的指纹。

第四步，数据库匹配：将查询音频的指纹哈希与数据库中的哈希进行匹配，统计匹配数量，匹配最多的曲目即为识别结果。

本文评述：Shazam算法的精妙之处在于其"稀疏性"设计——只提取频谱图中的峰值点，而非使用整个频谱。这带来了两个好处：一是对噪声和编码失真鲁棒，因为峰值点在压缩后通常仍然存在；二是存储效率高，一首3分钟的歌曲通常只需几KB的指纹数据。笔者认为，这种"抓主要矛盾"的思路，对于理解音频指纹的工程本质很有启发。

3.2 主流音乐识别服务对比

当前可用的音乐识别服务主要有以下几类：

服务	技术方案	曲库规模	API可用性	适用场景
Shazam (Apple)	专有指纹算法	数千万级	有限开放	消费级识别
ACRCloud	指纹+元数据	数千万级	商业API	企业级识别
AudD	指纹+机器学习	数千万级	REST API	开发者友好
Chromaprint/AcoustID	开源指纹算法	数百万级	开源库	自建服务

Chromaprint是开源社区最常用的音频指纹库，其算法基于FFT和图像处理技术，生成的指纹可以提交到AcoustID数据库进行匹配。虽然曲库规模不及商业服务，但对于独立音乐和古典音乐的识别效果较好，且完全免费、可自建。

本文评述：选择音乐识别服务时，曲库规模并非唯一考量因素。对于中文内容创作者而言，国内音乐平台的曲库覆盖可能比国际服务更全面。此外，识别服务的响应延迟、API调用成本、隐私政策等也是重要的工程考量。笔者建议在实际项目中同时接入2-3个识别服务，通过投票机制提高识别准确率。

3.3 分离质量对识别率的影响

音源分离的质量直接影响后续的音乐识别准确率。分离不彻底导致的残留人声、伪影、频响失真，都可能干扰指纹匹配。

根据ACRCloud的技术文档和公开测试数据，当分离音轨的SDR低于5dB时，识别率会显著下降。具体来说：

• SDR > 8dB：识别率通常在90%以上
• SDR 5-8dB：识别率约70-90%
• SDR < 5dB：识别率可能低于50%

（注：以上数据为基于公开测试报告的整合估计，非单一来源精确数据，实际表现因曲目和分离模型而异。）

因此，在工程实践中，如果第一次识别失败，不应立即更换识别服务，而应首先检查分离质量。一个实用的排查流程是：

1. 用耳机试听分离出的音轨，判断人声残留是否明显
2. 如果人声残留明显，尝试更换分离模型（如从Spleeter切换到Demucs v4）
3. 如果分离质量尚可但识别仍失败，尝试截取音轨中最"干净"的片段（如纯乐器段落）进行识别
4. 如果仍失败，考虑使用多个识别服务交叉验证

四、第三层：使用合规性——法律边界与授权路径

4.1 著作权法的基本框架

音乐作品受著作权法保护，涉及的权利主体包括词曲作者（音乐著作权）和录音制作者（录音制作者权）。从视频中提取BGM并使用，可能涉及以下权利：

• 复制权：将音乐从视频中提取出来，形成独立的音频文件，属于复制行为。
• 信息网络传播权：如果将提取的音乐上传到网络平台，可能涉及信息网络传播。
• 改编权：如果对提取的音乐进行剪辑、混音等修改，可能涉及改编。

在中国，《著作权法》第24条规定了合理使用的具体情形，包括"为个人学习、研究或者欣赏，使用他人已经发表的作品"等。但需要注意的是，合理使用的适用范围有严格限制，不能随意扩大解释。

本文评述：许多内容创作者对"合理使用"存在误解，认为"非商业用途"就自动构成合理使用。实际上，合理使用的判断需要综合考虑使用目的、使用比例、对原作品市场的影响等多个因素。即使是个人使用，如果大量复制并传播，也可能超出合理使用范围。笔者认为，最稳妥的做法是：个人欣赏可以提取，但公开传播必须获得授权或使用合法来源的音乐。

4.2 平台规则与Content ID系统

各大视频平台都建立了版权内容识别系统，最著名的是YouTube的Content ID。该系统使用音频指纹技术，自动识别上传视频中的版权音乐，并根据版权方的设置采取不同措施：

• monetize：版权方获得广告收入
• block：视频被屏蔽
• mute：音频被静音
• track：仅统计使用情况

国内平台如B站、抖音也建立了类似的版权识别系统。这意味着，即使你成功提取了BGM并用于自己的视频，上传后仍可能被系统识别并触发版权措施。

本文评述：Content ID等系统的存在，实际上为内容创作者提供了一个"合规检测"工具。在上传视频前，可以先将视频设为私密，观察是否触发版权声明。如果触发，可以根据提示信息找到版权方，进而寻求授权或更换音乐。这种"先检测后发布"的流程，比事后处理版权纠纷要高效得多。

4.3 合法使用路径

如果确实需要使用某段BGM，有以下几条合法路径：

路径一：使用版权免费音乐库。如YouTube Audio Library、Free Music Archive、ccMixter等平台提供了大量CC协议或公有领域的音乐，可以免费使用。这些音乐虽然可能不如流行歌曲"好听"，但胜在合规无忧。

路径二：购买授权。通过音乐版权代理机构（如中国音乐著作权协会、音著协）或商业音乐授权平台（如Epidemic Sound、Artlist）购买使用授权。授权费用根据使用场景和范围而定，从几十元到数千元不等。

路径三：联系版权方直接授权。对于独立音乐人，可以直接联系获取授权。许多独立音乐人对非商业使用持开放态度，获得授权的成本可能很低甚至免费。

路径四：使用平台内置音乐库。抖音、B站等平台都提供了内置的音乐库，使用平台音乐库中的音乐通常不会触发版权问题（但需注意平台规则的具体条款）。

五、完整操作流程：从视频到可用音轨的工程SOP

基于前三层的分析，本节给出一个完整的工程操作流程（SOP）。该流程适用于个人学习、研究等合法场景。

5.1 环境准备

推荐使用Python环境，主要依赖以下工具：

# 基础工具
pip install ffmpeg-python  # FFmpeg Python封装
pip install demucs          # Demucs音源分离
pip install librosa         # 音频分析
pip install soundfile       # 音频读写

# 可选：音乐识别
pip install pyacoustid      # AcoustID指纹
pip install shazamio        # Shazam API封装

5.2 步骤一：提取音频

import ffmpeg

def extract_audio(video_path, audio_path):
    """从视频中提取音频为WAV格式"""
    (
        ffmpeg
        .input(video_path)
        .output(audio_path, acodec='pcm_s16le', ar=44100, ac=2, vn=None)
        .overwrite_output()
        .run(quiet=True)
    )
    return audio_path

# 使用示例
extract_audio("input_video.mp4", "output_audio.wav")

5.3 步骤二：音源分离

import subprocess

def separate_audio(audio_path, output_dir):
    """使用Demucs进行音源分离"""
    cmd = [
        "demucs",
        "--two-stems", "vocals",  # 分离人声和伴奏
        "-n", "htdemucs",         # 使用HT Demucs模型
        "-o", output_dir,
        audio_path
    ]
    subprocess.run(cmd, check=True)
    return f"{output_dir}/htdemucs/{audio_path.stem}/no_vocals.wav"

# 使用示例
bgm_path = separate_audio("output_audio.wav", "separated")

如果需要更精细的分离（如单独提取鼓、贝斯、其他乐器），可以使用--two-stems参数替换为默认的四轨分离。

5.4 步骤三：质量检查与后处理

import librosa
import numpy as np

def check_quality(original_path, separated_path):
    """简单的质量检查：计算频谱差异"""
    y_orig, sr = librosa.load(original_path, sr=44100)
    y_sep, _ = librosa.load(separated_path, sr=44100)
    
    # 计算频谱质心差异
    cent_orig = librosa.feature.spectral_centroid(y=y_orig, sr=sr)
    cent_sep = librosa.feature.spectral_centroid(y=y_sep, sr=sr)
    
    diff = np.mean(np.abs(cent_orig - cent_sep))
    print(f"频谱质心平均差异: {diff:.2f} Hz")
    
    # 如果差异过大，说明分离可能有问题
    return diff < 500  # 阈值可根据实际情况调整

5.5 步骤四：音乐识别

import acoustid

def identify_music(audio_path, api_key):
    """使用AcoustID识别音乐"""
    try:
        results = acoustid.match(api_key, audio_path)
        for score, recording_id, title, artist in results:
            print(f"匹配度: {score:.2f}")
            print(f"曲名: {title}")
            print(f"艺术家: {artist}")
            return {"title": title, "artist": artist, "score": score}
    except Exception as e:
        print(f"识别失败: {e}")
    return None

# 使用示例（需要申请AcoustID API key）
# result = identify_music("separated/htdemucs/output_audio/no_vocals.wav", "YOUR_API_KEY")

5.6 步骤五：合规判断

识别出曲目后，按以下流程判断合规性：

1. 确认使用场景：个人欣赏、学术研究、商业发布？不同场景的合规要求不同。
2. 查询版权状态：通过音著协、版权代理机构或平台版权库查询曲目的版权归属。
3. 选择授权路径：根据使用场景和预算，选择购买授权、使用免费替代或联系版权方。
4. 保留授权凭证：如果获得授权，务必保存授权协议和付款凭证。
5. 平台预检测：上传前将视频设为私密，观察是否触发版权声明。

六、前沿预判：分离质量评估、生成式替代与自动化合规

6.1 分离质量评估的标准化

当前音源分离的评估主要依赖SDR等客观指标，但这些指标与主观听感的相关性有限。近年来，研究者开始探索基于深度学习的感知质量评估方法。例如，2023年提出的MOS-SDR（Mean Opinion Score for Source-to-Distortion Ratio）尝试用神经网络预测人类对分离质量的主观评分。

本文评述：感知质量评估的标准化，对于BGM提取场景尤为重要。因为BGM提取的最终用户是人耳，而非算法。笔者认为，未来可能会出现针对特定应用场景（如BGM提取、人声提取）的专用评估标准，而非通用的SDR。

6.2 生成式AI对BGM提取的冲击

以MusicGen、AudioLDM为代表的生成式音乐模型，正在改变"获取BGM"的方式。与其从视频中提取BGM，不如直接用文本描述生成一段风格相似的音乐。这种方式完全绕开了版权问题，因为生成的内容不直接复制任何现有作品。

但生成式音乐也有其局限：生成质量参差不齐，风格控制不够精确，且可能涉及训练数据的版权争议。本文评述：生成式AI不会完全取代BGM提取，而是提供了一个互补的选项。对于需要精确复用某段特定音乐的场景，提取仍是唯一选择；对于只需要"类似风格"的场景，生成式AI可能更高效、更合规。

6.3 自动化合规检测的展望

当前，版权合规判断仍高度依赖人工。未来，随着版权数据库的开放和API的标准化，有望实现"提取-识别-授权"的全自动化流程。例如，识别出曲目后，系统自动查询版权状态，如果属于某版权代理机构，自动生成授权请求并完成支付。

本文评述：自动化合规的技术障碍正在降低，但法律和商业模式的障碍仍然存在。版权方是否愿意开放API、授权费用如何定价、跨境授权如何处理，这些都是需要行业协同解决的问题。笔者认为，未来3-5年内，我们可能会看到一些平台推出"一键合规"的BGM提取服务，但全面普及仍需时日。

七、参考文献与资料