gitlab-instance-0a899031_douyinyoutube/docs/REALTIME_AUDIO_DEMUCS.md

实时音频处理最佳方案（Demucs + RTX 3060）

一、方案对比

方案	版权规避率	延迟	算力	复杂度
FFmpeg 纯滤波（当前）	60-70%	0	低	低
Demucs 人声分离	90%+	4-8s	RTX 3060	中高

---

二、推荐架构：Demucs 实时管道

抖音流 ─┬─ FFmpeg 解复用 ─┬─ 视频 ─────────────────────────────┐
        │                │                                    │
        │                └─ 音频 ─→ Python Demucs ─→ 人声 ────┼─→ FFmpeg 复用 ─→ YouTube RTMP
        │                     (分块处理)                      │
        └────────────────────────────────────────────────────┘

核心参数（RTX 3060 12GB）

参数	推荐值	说明
模型	htdemucs（单模型，非 _ft）	速度最快，质量够用
chunk 长度	2.5-3 秒	延迟 ≈ 2×chunk ≈ 5-6s
overlap	0.25	减少接缝，质量更好
shifts	0	降低算力，实时必需
segment	7.8（默认）或更小	显存不足时减小

RTX 3060 算力

• 约 13 TFLOPS，高于 Demucs 实时所需 2 TFLOPS
• 12GB 显存足够 htdemucs（约 6-8GB）
• 预期：2-4× 实时速度，可满足直播

---

三、实现方式

方式 A：Python 自建管道（推荐）

# 伪代码流程
# 1. FFmpeg 从抖音拉流，输出: -vn -acodec pcm_s16le -ar 44100 -ac 1 pipe:1
# 2. 主进程读取音频块（2.5s = 110250 samples @ 44.1kHz）
# 3. 调用 demucs.separate_audio(model, chunk) 得到 vocals
# 4. 人声写入 pipe，FFmpeg 另一进程读取并与视频复用推流

依赖：

demucs
torch
torchaudio

模型加载：

from demucs.pretrained import get_model
model = get_model('htdemucs')  # 单模型，非 htdemucs_ft

方式 B：GStreamer（若可用）

GStreamer 1.28+ 内置 demucs 元素，CPU 约 8× 实时：

# 需安装 gst-plugins-rs (含 demucs)
gst-launch-1.0 uridecodebin uri=抖音流 ! audioconvert ! demucs ! ...

---

四、分块处理要点

1. 重叠：chunk 之间 25% 重叠，避免接缝
2. 队列：双缓冲，一块处理时另一块接收
3. 采样率：Demucs 默认 44100 Hz，与 FFmpeg 输出一致
4. 延迟：总延迟 ≈ 2 × chunk 长度（约 5-6 秒可接受）

---

五、快速验证（离线测试）

# 安装
pip install demucs torch torchaudio

# 测试 30 秒音频分离速度
demucs -n htdemucs --two-stems=vocals -j 1 test_30s.mp3 -o output/

# 若 30s 在 10s 内完成 → 可实时

---

六、与当前方案的关系

• 当前：douyin_youtube_ffplay.py 纯 FFmpeg，60-70% 规避率
• 升级：可新增 douyin_youtube_demucs.py，集成 Demucs 管道
• 切换：通过 config 选择 mode = ffmpeg 或 mode = demucs

---

七、配置建议（config/youtube.ini）

[youtube]
key = xxx

# 音频模式: ffmpeg | demucs
; audio_mode = ffmpeg

# Demucs 专用
; demucs_chunk = 2.5
; demucs_model = htdemucs