Meta 推出 SAM Audio：用“看”和“说”就能分离音频，创意工作者的革命性工具

Meta 正式在 Segment Anything Playground 上上线了 SAM Audio——一个颠覆传统音频编辑方式的 AI 模型。它不再需要你手动调参数、画频谱、设阈值，而是让你像处理图像一样“点哪分离哪”，用一句话、一个点击、一段选时，就能从混杂的音频中精准提取出你想要的声音。

三种提示方式，让音频分离像截图一样简单

SAM Audio 的核心突破，在于它融合了三种自然、直观的交互方式，彻底改变了“人机沟通”音频需求的逻辑：

• 文本提示：只需输入“去掉背景里的空调声”、“只保留左声道的吉他声”或“提取这段演讲中的笑声”，模型就能理解你的意图。无需专业术语，连非技术人员也能轻松上手。
• 视觉提示：在视频画面中点击一个人、一只狗、一辆车——模型会自动关联该物体对应的音频轨迹。比如你在一段采访视频里点了一下说话者，系统立刻分离出他的声音，背景音乐和掌声自动屏蔽。这项能力对视频剪辑师简直是救命稻草。
• 时间段提示（Span Prompting）：拖动时间轴，选中 0:45–1:12 这段，系统只处理这一区间的声音。这是目前主流工具（如 Adobe Audition、iZotope RX）都尚未普及的精细控制能力，特别适合处理直播回放、会议录音或长视频中的局部噪音。

这三种方式可以自由组合。比如，你可以先用视觉提示定位画面中说话的人，再用文本提示“去掉他背后的电视声”，最后用时间范围锁定他发言的整个段落——三步完成过去需要半小时的精细处理。

谁最该用它？创作者、播客、残障人士都在用

SAM Audio 不是实验室玩具，它已经面向所有人开放：

• 视频创作者：快速提取 Vlog 中的环境音、移除拍摄时的风扇噪音，甚至从街头采访中单独提取路人对话，无需重新录制。
• 音乐人：从现场录音中分离出鼓点、贝斯线，用于采样或混音重制，比传统的 AI 分离工具更准、更可控。
• 播客与自媒体：一键去除背景杂音、咳嗽声、键盘敲击，提升收听体验，节省后期时间 70% 以上。
• 听障人士与无障碍应用：系统可自动将视频中的语音转为文字并高亮显示，同时抑制干扰音，让字幕更清晰、理解更高效。Meta 已与多家无障碍组织合作，推动该功能接入辅助技术平台。
• 普通用户：想从婚礼录像里只保留孩子的笑声？想从抖音视频里提取背景音乐？现在，手机浏览器里就能操作。

目前，SAM Audio 已在 Meta Segment Anything Playground 免费开放体验，支持 Web 端直接使用，无需注册。模型也支持导出为 ONNX 格式，可部署在本地电脑、Mac 或 NVIDIA GPU 上，离线运行无隐私顾虑。

不只是工具，更是媒体编辑的“新范式”

SAM Audio 是 Meta Segment Anything 计划的自然延伸——这个计划从图像分割起步，如今已延伸至音频、视频、甚至 3D 场景。它的使命很明确：把原本属于专业工作室的复杂技术，变成人人都能随手使用的“基础能力”。

业内分析指出，SAM Audio 的出现，标志着 AI 音频处理从“自动识别”迈向“意图理解”的关键跃迁。相比 OpenAI 的 Whisper、Google 的 AudioPaLM 等仅能“听懂”语音的模型，SAM Audio 能“听懂你想要什么”，并据此执行精准操作。

据 Meta 官方透露，未来将支持多语言文本提示、实时音频流处理，以及与 Premiere Pro、Final Cut Pro、DaVinci Resolve 的插件集成。已有开发者社区在 GitHub 上开源了本地部署脚本，支持在 M1/M2 Mac 上以 20FPS 实时运行。

现在就去试试：你的一句话，可能改变一段音频的命运

无论你是想从一段家庭录像里找回孩子第一次叫“妈妈”的声音，还是想从嘈杂的咖啡馆录音中提取出一段珍贵的采访——SAM Audio 让这一切，变得比你想象中更简单。

无需学习，无需插件，打开浏览器，上传一段音频或视频，点击、打字、拖动——你，就是下一个音频编辑大师。

???? 立即体验：https://segment-anything.com/audio