核心结论：评价人声分离效果，不能只靠“听感玄学”。学术界和工程界早就有一套成熟的量化指标体系：SDR 看综合能力、SNR 看底噪、SAR 看伪影、SIR 看串音。理解这四个指标，你不仅能听懂“为什么这个分离结果发闷”，还能在选择工具、优化流程时更有底气。
一、为什么需要“打分”而不是“听感”？
人耳是很主观的：
有人对底噪敏感，觉得“沙沙声受不了”；
有人对电子伪影敏感，一听“金属音”就头疼；
有人只关心人声干不干净，不在乎背景里有没有鼓点。
为了消除主观偏差，研究人员定义了客观评价指标，把“好听难听”翻译成“分数高低”。
二、四大核心指标详解
1. SDR（Signal-to-Distortion Ratio）：综合还原分
一句话解释：“还原得像不像原始人声”的总分。
计算逻辑：把分离结果和原始干净人声做对比，同时考虑：
串音（别的乐器漏进来）
噪声（底噪、环境音）
失真（算法引入的畸变）
分数含义：
越高越好，通常 +10dB 以上 算不错，+15dB~+20dB 算优秀。
如果 SDR 是负数，说明分离结果比“直接拿原曲当人声”还离谱。
适用场景：这是学术论文和工程验收最常用的主指标，用来横向对比不同模型/工具的整体实力。
2. SNR（Signal-to-Noise Ratio）：干净度分
一句话解释：“背景里有多少垃圾噪声”。
计算逻辑：只关注信号能量 / 噪声能量，不关心乐器串音。
分数含义：
高 SNR = 底噪少、电流声小、环境安静。
低 SNR = 沙沙声明显，像用老手机录的。
局限性：它测不出“鼓点漏进人声”这种串音，所以经常需要搭配其他指标一起看。
3. SAR（Signal-to-Artifacts Ratio）：伪影分
一句话解释：“算法有没有制造‘电子垃圾’”。
计算逻辑：专门捕捉算法引入的非自然成分，比如：
金属感、水声感、机器人音
频谱上的毛刺、相位伪影
分数含义：
高 SAR = 听感自然，没有“AI味”。
低 SAR = 一听就是机器算出来的，像在水里唱歌。
适用场景：评估听感舒适度的关键指标，尤其是对翻唱、混音有要求的场景。
4. SIR（Source-to-Interference Ratio）：串音抑制分
一句话解释：“别的轨道漏进来多少”。
计算逻辑：只关注目标信号（人声） / 干扰信号（其他乐器）。
分数含义：
高 SIR = 人声纯净，鼓、贝斯、伴奏基本被挡在外面。
低 SIR = 人声里夹着“咚咚咚”的鼓点，或者贝斯的嗡嗡声。
适用场景：多音轨分离中最核心的指标之一，直接决定你拿到的“人声轨”能不能直接进混音。
三、指标对照表：一眼看懂谁出了问题
指标
关注点
高分特征
低分典型症状
SDR
综合还原能力
人声像原唱，细节保留好
整体糊成一团，听不出原唱
SNR
底噪/环境音
背景安静，像专业录音棚
沙沙声明显，像现场偷录
SAR
算法伪影
听感自然，无电子味
金属音、水声感、机器人音
SIR
串音抑制
人声纯净，无乐器漏入
人声里夹着鼓点/贝斯
四、实战应用：如何用这些指标指导创作？
以 气泡音为例，你可以这样用指标思维评估分离结果：
日常翻唱/练歌：优先看 SIR（人声别混着鼓）和 SNR（底噪别太大），SDR 过得去就行。
专业混音/母带：必须看 SAR（不能有电子伪影）和 SDR（整体还原度要高）。
多音轨分离（6轨）：重点关注 SIR 在各细分轨的表现——钢琴/吉他轨的 SIR 通常比人声/鼓低，这是正常现象，不必强求“绝对纯净”。
五、结语
下次再听到有人说“这个分离效果不行”，你可以多问一句：
是 SDR 太低（整体还原差）？还是 SAR 太低（电子味重）？或者是 SIR 太低（串音严重）？
掌握这套指标体系，你不仅能更专业地评价工具，还能在创作中快速定位问题、优化流程——毕竟，在 AI 音频时代，懂指标的人，才是真正掌握主动权的人。