> ## Content Index
> Fetch the complete content index at: https://study.kuadd.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# SAM Audio Small · 两次实测评估
- URL: https://study.kuadd.ai/sam-audio-small-liang-ci-shi-ce-ping-gu/
- Published: 2026-11-13T04:52:50.000Z
- Updated: 2026-11-18T10:58:59.000Z
- Author: 酷AI编辑部
- Tags: AI实验室

用同一个文字提示 `people speaking`，SAM Audio Small 能否把混合音频拆成说话声和其余声音？这次在一张 NVIDIA GeForce RTX 4090 D 上完成了两次实验，素材分别是 18.74 秒的短片和 160.24 秒的长音频。数据来自 2026 年 11 月 13 日的报告快照。

## 两次任务都跑通，听感仍待评审

两次 GPU1 任务均以退出码 0 结束。输入和两条输出轨的 SHA-256 与运行清单一致，输出 WAV 可以完整解码。长音频分成 9 个重叠窗口，脚本耗时 **65.36 秒**，实时系数为 **0.41**。

这份报告验证了推理链路和文件完整性。人声残留、背景声保真和窗口接缝仍需人工试听。两次实验使用不同素材和脚本，耗时差异无法单独归因于输入长度。

## 模型与实验设置

Meta 的 SAM Audio 支持文字、视觉对象和时间片段提示。本次只使用文字提示 `people speaking`。模型生成两条音轨，**target** 是它识别出的目标说话声，**residual** 是剩余声音，也是本次去人声的结果。

- 使用 SAM Audio Small 固定模型修订版，权重文件 5.10 GB（4.75 GiB），约 13.85 亿参数，另有约 587 MiB 的 T5 缓存。
- 输入统一为 48 kHz、单声道、16-bit PCM WAV。随机种子为 0，关闭自动跨度预测，候选数为 1。两次实验都在单卡运行。
- 短片整段分离。长音频使用 20 秒窗口，相邻重叠 2 秒，在重叠区加权拼接，再按输入样本数裁剪。

## 运行速度与显存

![脚本实时系数横向条形图，18.74 秒短片为 2.39，160.24 秒长音频为 0.41](https://study.kuadd.ai/content/images/2026/11/sam-audio-rtf.png)

原报告截图。短片 RTF 为 2.39，长音频为 0.41。

__两次运行明细__
| 素材  | 输入（秒）   | 脚本（秒） | RTF  | 提交至归还（分钟） | 峰值分配 / 预留（GiB）  | 输出时长差（毫秒） |
| --- | ------- | ----- | ---- | --------- | --------------- | --------- |
| 短片  | 18.737  | 44.81 | 2.39 | 210.2     | 10.373 / 11.291 | +22.938   |
| 长音频 | 160.235 | 65.36 | 0.41 | 156.6     | 10.696 / 12.377 | 0.000     |

**调度时间（北京时间）**

- 短片 · 11/10 18:19:15 提交，11/10 21:49:26 归还
- 长音频 · 11/13 02:30:39 提交，11/13 05:07:14 归还

RTF 是脚本耗时除以输入时长，小于 1 表示本次处理快于实时。脚本耗时包含模型加载、推理和写盘。提交至归还还包括排队与资源交接。显存数字是 PyTorch 进程的峰值。

## 输出技术检查

六条 WAV 均为 48 kHz 单声道 PCM 16-bit，逐样本检查均无削波。

__六条 WAV 的技术检查__
| 素材  | 轨道   | 时长（秒）   | RMS（dBFS） | 峰值（dBFS） | 削波 | 清单哈希 |
| --- | ---- | ------- | --------- | -------- | -- | ---- |
| 短片  | 原声   | 18.737  | \-42.24   | \-16.90  | 0% | 一致   |
| 短片  | 分离人声 | 18.760  | \-45.25   | \-27.65  | 0% | 一致   |
| 短片  | 去人声  | 18.760  | \-46.34   | \-17.20  | 0% | 一致   |
| 长音频 | 原声   | 160.235 | \-15.58   | \-0.55   | 0% | 一致   |
| 长音频 | 分离人声 | 160.235 | \-22.52   | \-0.07   | 0% | 一致   |
| 长音频 | 去人声  | 160.235 | \-17.20   | \-0.29   | 0% | 一致   |

电平、削波和解码检查用于核对文件的技术状态。评估去人声效果，需要对齐原声和两条输出，分别听说话声残留、背景损失和长音频拼接处。

## 应用判断

两次 GPU1 实验验证了单卡加载、分离与文件输出。报告快照中的 GPU0 复测仍在排队。正式采用前，还需要补齐人工听评、更多声景与重复运行、并发与异常恢复验证，并审查模型来源及 SAM License 的适用范围。

运行数据来自调度终态和脚本清单。报告使用逐样本 PCM 统计、SHA-256 和完整解码核对输出。

[SAM Audio 官方仓库](https://github.com/facebookresearch/sam-audio?ref=study.kuadd.ai) · [Meta 技术介绍](https://ai.meta.com/blog/sam-audio/?ref=study.kuadd.ai) · [Small 模型页与许可](https://huggingface.co/facebook/sam-audio-small?ref=study.kuadd.ai)

## 试听对比

以下为原报告的 96 kbps MP3 试听版。技术校验使用原始 WAV。

### 短片 · 18.74 秒

短片 · 原声

0:00

/18.737063

1×

短片 · 去人声

0:00

/18.76

1×

短片 · 分离人声

0:00

/18.76

1×

### 长音频 · 160.24 秒

长音频 · 原声

0:00

/160.235104

1×

长音频 · 去人声

0:00

/160.235104

1×

长音频 · 分离人声

0:00

/160.235104

1×