实战复盘：构建 AI 音频分离站，为何在 SOTA 模型与推理成本间做取舍？

本文是一位开发者关于构建 AI 音频分离网站的完整技术复盘。作者在对比了 Spleeter、BS-RoFormer 等主流模型后，最终选择了 Meta 的 htdemucs_6s，在分离质量与推理速度之间取得了最佳平衡（推理时间仅为竞品的 1/3）。在架构层面，文章详细分析了从自建 GPU 迁移到 Replicate Serverless 平台的成本考量，指出按秒计费对流量波动的 C 端产品更为经济。此外，作者还分享了 YouTube 链接处理、Web Audio API 多轨同步及 FFmpeg 转码优化等具体的工程实践坑点。