demusic

demusic

demusic 会移除 AI 视频模型（Seedance、Kling、Veo、Hailuo、 Wan 等）在生成片段时混入的背景音乐，同时保留对白、音效和环境声。 它会找出音乐所在的位置，只替换那些位置的音频，因此片段的其余部分 不会受到影响。本地运行、免费，支持命令行和 MCP 服务。

阅读中文版 · 检测原理

为什么需要 demusic

原生音频视频模型经常会擅自添加背景音乐：镜头开头几秒的配乐，或对白下方的铺底音乐。把十个这样的片段剪在一起，就会有十段音乐互相干扰，而且你也无法叠加自己的配乐。

常见的解决办法是使用人声移除工具，只保留人声——这样会连同音乐一起丢掉脚步声、关门声、雨声和室内底噪，而且对原本没有音乐的片段也不适用。我们在 Dawnwood 制作 AI 剧集时，会用 demusic 处理每个片段：

1. 分离：将音频分离为多个音轨（Demucs htdemucs_6s，在本地运行或使用你的 fal key）。
2. 音量够作为背景音乐吗？ 旋律音轨必须达到可听音量（> -50 dBFS）。
3. 确实是音乐吗？ AudioSet 分类器必须在伴奏上检测到持续 2 秒以上的音乐。引擎声、枪声和室内底噪能通过第 2 步，但无法通过这一步。
4. 仅移除这些片段：这些位置的音频会变为对白 + 打击乐／撞击声，并添加 0.25 秒交叉淡化；其他位置则保留原始音频。画面采用流复制（不重新编码）。

它的设计刻意偏保守。在 164 个没有音乐的片段中，误判了 2 个；在人工凭听觉标记的 87 个片段中，它检测出了 33 个。漏检的都是音量很低的背景音乐——可以调低 --threshold，或者在确定片段有音乐时使用 --mode force。 校准详情。

安装

需要 Python >= 3.10，且 ffmpeg 必须位于 PATH 中。

pip install "demusic[demucs]"     # local separation (pulls in PyTorch; CPU is fine)
# or, no torch, separation on fal.ai with your own key:
pip install "demusic[fal]" && export FAL_KEY=...

音乐分类器（约 90 MB 的 ONNX，BSD-3）会下载到 ~/.cache/demusic，只需下载一次。

快速开始

# where is the music?
demusic check shot_012.mp4
# shot_012.mp4: MUSIC  spans 0-2.8s  melodic -42.1 dBFS  p=0.34

# write shot_012.demusic.mp4 with the music removed
demusic strip shot_012.mp4

# a whole folder; clean copies of every file (unchanged ones copied) into clean/
demusic strip renders/*.mp4 --out-dir clean/

选项	含义
--separator demucs|fal|DIR	本地 Demucs（默认）、使用 FAL_KEY 的 fal.ai，或存放已分离音轨的文件夹（vocals.wav、drums.wav、bass/guitar/piano/other.wav 或 music.wav）
--mode spans|whole|force	仅替换检测到音乐的位置（默认）／检测到音乐时替换整条音轨／始终替换，不进行检测
--threshold 0.3	分类器的音乐概率；0.2 能检测到音量更低的背景音乐，但误报率更高
--loud-floor -50	旋律音轨的音量门限（dBFS）
-o FILE / --out-dir DIR	单个文件的输出路径／批处理的输出目录
--json	在标准输出上输出一个 JSON 对象（files[]，包含 music、spans、melodic_dbfs、strength、action、output）

退出代码：0 正常（对于 check：未检测到音乐），1 check 检测到音乐，2 用法错误，3 失败。 在 CI 或渲染流水线中运行 demusic check，即可在片段存在背景音乐时让构建失败。

速度：在笔记本 CPU 上分离音频约需实时速度（10 秒的片段约需 10–20 秒），使用 GPU 时会快得多。检测本身只需几百毫秒。

Python

from demusic.core import process
r = process("shot.mp4", "shot.clean.mp4")          # strip
r = process("shot.mp4", strip=False)                # check only
print(r["music"], r["spans"])

AI Agent（MCP）

claude mcp add demusic -- demusic mcp            # Claude Code
# or any MCP client: command "uvx", args ["--from", "demusic[demucs]", "demusic", "mcp"]

工具：check_music（只读）和 remove_music（写入新文件，不会覆盖输入文件）。在服务环境中设置 DEMUSIC_SEPARATOR=fal 即可使用 fal。此外还有一个 Claude skill 和 AGENTS.md。

限制

• 如果检测到场景中本应存在的音乐（画面中的乐队、收音机），也会将其移除。请跳过这些片段。
• 在剥离出的片段内，非打击乐音效（水龙头流水声、风声）会和音乐一起被移除；Demucs 没有单独的音效声部。片段范围外不会有任何变化。
• 演唱的人声会进入人声声部并予以保留。

致谢

Apache-2.0。demusic 会在每个输出文件的 comment 标签中写入 cleaned with demusic by Dawnwood。如果它为你节省了时间，请保留这条信息，并注明“demusic by Dawnwood”——这是请求，并非使用条件（参见 NOTICE）。

由 Dawnwood 制作，这是一家 AI 剧集工作室。我们在制作中使用的其他工具：dramapack（短剧交付包和质量检查） · 我们所有的开源项目。