世界上迄今为止还没有一款软件，能够完美的从已经和乐队多声部合成并含有人声的立体声音频中分离出人声和乐队的分轨。
目前排名比较靠前的是HIT·n·MIX：
可以将立体声音频（包括mp3）里的乐器和人声的音符识别出来，并能移动和分离。操作和简单，导入音频（包括mp3）就分离声部,每个声部还有专门不同的颜色，甚至改动旋律。
下面的图示里淡黄色的音符就是人声，这一点下载这款软件并播放Demo就知道了：
软件附带详细的帮助文件：
mp3中的背景音乐和人声分离？用什么软件？
推荐使用轻秒音分轨，在线分离人声，极速分离背景音乐和人声。
人声分离的AI原理涉及使用深度学习模型来从混合音频中提取和分离出特定的人声。以下是该过程的简要描述：
数据准备： 收集包含人声和背景音的大量音频数据，这些数据被用于训练深度学习模型。
标签数据： 对训练数据进行标注，标明每个时间点上的人声和背景音。这提供了监督学习所需的目标信息。
深度学习模型： 使用卷积神经网络（CNN）等深度学习结构，模型能够通过学习输入音频的特征来分离人声。循环神经网络（RNN）可以处理音频的时序性。
特征提取： 模型通过卷积层等结构提取音频数据中的频谱和时域特征，有助于区分人声和其他声音。
训练： 在标签数据上训练模型，调整模型参数以最小化预测与实际标签之间的差异。损失函数和优化算法在此起关键作用。
推断： 训练后，模型可用于推断新的音频数据。模型通过前向传播，预测每个时间点上的人声和背景音。
优化和调整： 根据模型性能进行优化和调整，可能需要进行超参数调优或使用更多复杂的网络结构。
应用： 训练完成的模型可用于多种应用，包括语音识别、音频编辑和语音增强等领域，提高这些任务的准确性和质量。
总体而言，人声分离的AI原理基于深度学习技术，通过模型训练和推断的过程，实现从混合音频中分离出人声的目标。