以下是关于提取视频里面声音的相关信息：
Sovits 声音训练及推理：
准备数据集：可通过 b 站教程（https://www.bilibili.com/video/BV1ga411S7gP/?spm_id_from=333.788.video.desc.click&vd_source=35e62d366d8173e12669705f7aedd122 ）、Github 链接（https://github.com/Anjok07/ultimatevocalremovergui/ ）、百度网盘（https://pan.baidu.com/s/14iK32JKIPvjmf1Kfq21mzg?pwd=hjhj ，提取码：hjhj ）获取相关资源。模型一定要下载，软件本体只预装了部分模型，模型安装较简单，拷贝即可，详情看网盘说明。 操作界面：选择好输入输出路径和模型，提取人声的最佳模型是 mdx-net ，提取伴奏用 VR ，但训练不需要伴奏。 后续处理：提取出来的声音通常需要精细处理，如去掉杂音、和声和混响达到“干声”效果。可使用 iZotope RX 软件处理，链接（https://pan.baidu.com/s/1NX-h67SViKm39zT08U7-zg?pwd=kmhd ），提取码：kmhd ，安装时记得把 vst3 和 aax 勾上。PixelPlayer：MIT 研究团队的创新工具，可自动识别并分离视频中的声音源，匹配画面位置。为音视频编辑提供强大功能，如独立调整音量、去除或增强特定声音源。其核心功能包括声音源分离、声音定位、多声音源处理。相关链接：http://sound-of-pixels.csail.mit.edu 、https://arxiv.org/abs/1804.03160 、https://x.com/xiaohuggg/status/1759916778229268874?s=20
