Meta开源SAM Audio：像剪视频一样轻松实现音频分割，文本/视觉/时间提示全掌握！

Meta公司近期推出了一款名为SAM Audio的统一音频分割模型，它继承了Segment Anything（SAM）的统一可提示分割理念，旨在让音频处理变得像视频剪辑一样直观和高效。这款模型能够通过多种方式精准地从复杂的音频混合物中提取或分割出特定声音，极大地提升了音频编辑的便利性。

SAM Audio的核心功能：多模态提示驱动的音频分割

SAM Audio的核心优势在于其支持多种提示方式，用户可以根据实际需求选择最合适的工具来定位目标声音。这些提示方式可以单独使用，也可以进行叠加组合，以达到更精确的分割效果。

1. 文本提示分割

这是最直观的提示方式之一。用户只需输入描述性的文本，模型就能理解并分割出对应的声音。例如，输入“狗叫声”或“钢琴独奏”，文本提示分割就能自动在音频流中找到并分离出这些声音片段。

2. 视觉提示分割

对于与视频内容相关的音频处理，视觉提示提供了强大的支持。如果音频是附带在视频文件中的，用户可以直接在视频画面上进行“点击”或“框选”，模型会根据被选中的视觉对象，同步地提取其对应的声音。例如，在视频中点选一只正在说话的人，系统就能单独提取此人的声音轨道。

3. 时间跨度提示

这是一个非常实用的创新功能，尤其适用于处理长时间录音或直播音频。用户可以指定一个精确的时间范围（例如从第1分15秒到第1分40秒），模型将仅在该时间段内对音频进行分析和分割，专注于处理该片段内的特定声音目标。这对于精确定位和时间跨度提示的精确控制，是传统工具难以比拟的。

SAM Audio的应用场景：赋能专业与非专业用户

由于其强大的分割能力和易用性，SAM Audio的应用前景十分广阔，它能够为多个领域带来效率上的飞跃。

• 短视频与播客制作： 快速分离背景噪音、提取清晰的人声或特定音效，制作出更高质量的内容。
• 音乐创作与混音： 轻松地将歌曲中的人声、鼓点或特定乐器声轨分离出来，进行单独的编辑、混音或再创作。
• 影视后期制作： 在复杂的场景音频中，快速分离出关键对话或环境音效，简化后期对白编辑和音效合成工作。
• 野生动物监测与研究： 从大量的环境录音中，精准地提取出特定动物的叫声进行分析和计数。
• 音频修复与清理： 快速识别并移除不需要的干扰声，如键盘敲击声、电流声等。

如何更好地利用AI音频分割工具

掌握正确的工具使用思路，能让SAM Audio的潜力得到最大发挥。关键在于清晰地定义你需要分割的内容。

提升分割效果的技巧

1. 组合使用提示： 当单一提示效果不佳时，尝试结合使用。例如，先用文本指定“说话声”，再配合视觉提示圈定说话者，能更精准地完成视觉提示分割。
2. 优化文本描述： 尽量使用具体的描述词汇。相比于“音乐”，使用“爵士吉他solo”会更有效。
3. 精确时间定位： 在使用时间提示时，确保起始点和结束点尽可能接近目标声音的边缘，以避免截取到多余的噪音。

SAM Audio的出现，标志着AI音频工具进入了一个全新的阶段。它正在把过去需要专业音频工程师耗费数小时才能完成的复杂任务，简化成普通用户通过几次点击就能实现的便捷操作，无疑是音频处理领域的一次重要革新。