同步人声分离

一次 multipart 上传,一次性拿回整段人声。服务端等模型全部跑完才写响应体,调用最直观,适合离线批处理、剪辑工具、转写前置。

POST /v1/audio-isolation 稳定 v1 更新于 2026-04

输入 · 一个音频文件输出 · 纯净人声一段

POST

/v1/audio-isolation

等待上传

限制与约束

所有限制在服务端可配置。超出会返回 400 / 422 并附上具体错误码,详情见 §05。

单段时长

60分钟

单次请求的上限。超过会在解码阶段截断。

支持格式

WAV · MP3 · FLAC

以及 OGG · AAC · M4A · Opus · WebM 等容器。

输出格式

WAV · FLAC · MP3

通过 output_format 指定,默认 wav。

输出采样率

16 · 24 · 48kHz

通过 output_sample_rate 指定,默认 16000。

性能指标

待补充 — 会在生产硬件(单实例 GPU / CPU)上跑一轮 P50/P95 延迟和吞吐基准,并给出按音频时长分层的耗时拆分。

单次延迟

—

P50 / P95(测试中)

吞吐

—

单 worker QPS(测试中)

冷启动

—

模型加载时间(测试中)

资源占用

—

RAM / VRAM(测试中)

在线体验

上传一段混音或点下方示例,直接调用 /v1/audio-isolation。请求命中 getApiBase()(默认同源,可用 ?api=http://127.0.0.1:8080 覆盖)。

实时 · POST /v1/audio-isolation

输入音频 —

点击上传 / 拖拽音频

wav · mp3 · flac · m4a · opus · webm

示例: clean-speech quiet-speech speech-2

输出格式 output_format

采样率 output_sample_rate

人声输出 —

选好音频后点 开始分离

⌘ / Ctrl + ↵ 快捷提交

请求与响应

POST /v1/audio-isolation 接受 multipart/form-data。响应体是单个音频文件(audio/wav / audio/flac / audio/mpeg),首字节到达前服务端必须跑完整个推理。

请求字段

字段	类型	要求	说明
audio	file	必填	输入音频。接受常见容器(`wav / mp3 / flac / ogg / aac / m4a / opus / webm`)。
output_format	enum	可选	输出容器,取值 `wav` / `flac` / `mp3`,默认 `wav`。
output_sample_rate	int	可选	输出采样率,取值 `16000` / `24000` / `48000`,默认 `16000`。

成功响应

200 OK · binary bodyheaders

HTTP/1.1 200 OK
Content-Type: audio/wav         // 与 output_format 对应: audio/wav | audio/flac | audio/mpeg
x-request-id: req_01HX9KMAR...
x-processing-ms: 1843            // 端到端处理毫秒数

<binary audio payload>

调用示例

错误码

所有业务错误返回统一信封 {"error": {"code": "...", "message": "...", "request_id": "..."}}。HTTP 状态码按错误类别归组,具体 code 列在描述里。

AI 集成 — 一键复制提示词

将预制提示词粘贴进 Claude、Cursor 或 ChatGPT,一分钟内接通同步接口。提示词涵盖字段、错误、重试与超时。

AI-READY PROMPT

— tokens · 适配 Claude 4.7 & GPT-5

用 AI 快速集成

已在主流编码 Agent 上测试通过。包含完整接口契约、错误码和示例。粘贴后说 “用我的技术栈实现这个”。