au分离背景音乐和人声的方法是什么？
au分离背景音乐和人声具体操作方法如下：
电脑：华为笔记本。
系统：win10。
软件：Adobe Audition CS6。
1、首先，把自己需要处理的那首歌copy到桌面，再拉到Au轨道上。
2、然后Ctrl+A选中音频。
3、然后点击效果-立体声声像-提取中置声道。
4、在预设中选择移除人声，就保留着伴奏。
5、在预设中选择无伴奏和声，降低伴奏声音，增强人声。
6、根据自己的需求选择好预设后，点击应用。
7、生成新的音频之后，右击音频-存储选区为。
8、在保存选区的对话框中可根据需求选择音频的格式。并确定。
9、最后回到桌面，可以看到新生成的音频文件了。
Adobe Audition用途
Audition专为在照相室、广播设备和后期制作设备方面工作的音频和视频专业人员设计，可提供先进的音频混合、编辑、控制和效果处理功能。
最多混合 128 个声道，可编辑单个音频文件，创建回路并可使用 45 种以上的数字信号处理效果。Audition 是一个完善的多声道录音室，可提供灵活的工作流程并且使用简便。
推荐更简单的平台，建议使用轻秒音分轨，傻瓜式操作，在线分离人声，极速分离背景音乐和人声。
人声分离是一种音频处理技术，旨在从混合音频中分离出特定的人声部分。这对于语音识别、语音增强、音频编辑等应用非常有用。AI在人声分离中的应用通常涉及深度学习和神经网络技术。以下是人声分离的一般原理：
深度学习模型： 使用深度神经网络（Deep Neural Networks，DNN）或卷积神经网络（Convolutional Neural Networks，CNN）等深度学习模型。这些模型能够学习复杂的特征表示，有助于从混合音频中分离出人声。
训练数据： 为了训练模型，需要大量包含人声和背景音的音频数据。这些数据用于训练模型，使其学会识别人声和其他噪声的特征。
标签数据： 训练数据通常需要标签，即指示每个时间点上哪些声音是人声，哪些是背景噪声。这有助于模型学习正确的分离模式。
特征提取： 在深度学习模型中，通常会使用卷积层来提取音频中的特征。这些特征可能包括频谱信息、时域信息等，有助于区分人声和其他声音。
递归神经网络（Recurrent Neural Networks，RNN）： 在音频处理中，时间序列是很重要的，因为音频是一个随时间变化的信号。RNN等循环神经网络结构能够捕捉到音频信号的时序信息，有助于更好地处理音频数据。
损失函数： 在训练过程中，需要定义一个损失函数，用于衡量模型输出与实际标签之间的差异。常见的损失函数包括交叉熵损失函数。
优化算法： 通过梯度下降等优化算法来调整模型参数，使得模型能够更好地分离人声和背景音。
推断： 训练完成后，模型可以用于推断，即在新的音频数据上分离出人声。推断阶段通常使用前向传播，通过模型预测音频中每个时间点上的人声和背景音。
人声分离的性能取决于训练数据的质量、模型的架构、参数调整等多个因素。近年来，随着深度学习技术的不断发展，人声分离在实际应用中取得了显著的进展。
