视频中的音频剥离并且分离四个音轨-音频工具箱

本音频分离工具基于深度学习模型，实现音频源分离功能，可将混合音频拆分为鼓、贝斯、其他伴奏、人声四条独立音轨，方便音频后期处理、伴奏提取、人声剪辑等场景使用。
软件核心流程：导入视频文件，利用ffmpeg剥离出音频文件，加载推理模型完成离线运算，自动输出四条独立 WAV 音频轨道至本地文件夹。支持常见音频格式输入，全程在设备本地运算，无需联网，保障音频文件隐私安全。
工具面向音频爱好者、短视频创作者、后期制作者，满足提取伴奏、消除人声、分轨混音等需求。应用采用移动端原生开发，集成推理框架实现高效硬件加速，充分利用设备算力完成音频分离运算。
当前主要功能：本地音频加载、音频源分离推理、多轨道音频文件导出。后续可优化交互体验，支持快速定位输出目录等便捷操作。

一、整体设计思路
项目采用前后协同方案，分为PC 端模型预处理流水线与Android 端离线推理应用。所有音频推理运算最终在移动端本地执行，无需联网传输音频，保障素材隐私。
工作链路：Python 环境完成模型转换、测试验证 → 移动端 App 加载轻量化模型执行端侧推理；用户在 App 选择音频，经解码、切片推理、数据后处理，导出鼓、贝斯、其他伴奏、人声四路独立音频。针对移动端内存限制，采用分块推理机制，控制内存峰值。
二、模块划分与技术栈
PC 预处理模块（Python）
作为工程配套流水线，使用 PyTorch 运行原始音频分离模型，完成效果验证；执行模型导出、量化参数调试，将原始模型转换为 MNN 框架支持格式；提供音频样本测试、输出轨道校验脚本，用于定位分离轨道数据异常问题，是移动端模型迭代与调试的支撑环境。
UI 交互层（Android Java）
原生 Android 控件实现界面交互、文件选择、权限管理、任务进度展示，接收底层回调，控制分离任务启停，管理输出目录。
业务逻辑层（Android Java）
任务调度中心，串联文件读取、音频预处理、AI 推理、音频编码保存全流程；管理文件路径、任务状态，统一捕获底层异常，协调各模块数据流转。
音频处理层（C++ + FFmpeg）
基于 FFmpeg 实现多格式音频解码，标准化采样率与声道；处理推理输出浮点音频，数值范围裁剪、声道重组，编码生成多路 WAV 文件。
AI 推理层（C++ + MNN）
搭载 MNN 推理框架，适配 ARM64 平台，启用 FP16 加速；执行长音频切片推理与片段拼接，输出四路音轨浮点数据。
三、模块通信
Android Java 通过 JNI 调用 C++ 底层；底层向上回调进度与错误信息。PC Python 仅用于开发调试阶段，不参与 App 运行时流程；App 运行完全脱离 Python 环境。
四、设计考量
区分开发调试环境与生产运行环境；模块低耦合，推理引擎、音频组件可独立替换；重点管控大音频场景内存占用，规避轨道数据解析错乱、音频文件损坏等问题。