Meta 推出 SAM Audio：聽覺版「魔術棒」，讓聲音編輯像修圖一樣簡單

想像一下，只要點擊影片中的吉他，就能瞬間分離出它的獨奏聲。Meta 全新發布的 SAM Audio 模型，透過文字、視覺和時間軸指令，徹底改變了我們處理音訊的方式。這不只是 AI 的技術突破，更是創作者的一大福音。本文將帶您一探這項技術如何運作，以及它為何讓音訊工程變得如此親民。

還記得 Meta 之前發布的那個「Segment Anything Model (SAM)」嗎？那個只要點一下圖片裡的任何東西，就能自動幫你完成去背的神奇 AI。老實說，那時候大家都在想：如果這項技術能用在「聲音」上，該有多好？

你猜怎麼著？這一天真的來了。

Meta 正式推出了 SAM Audio，這不僅僅是另一個 AI 模型，它更像是音訊編輯界的「Photoshop 魔術棒」。一直以來，音訊處理都是個讓人頭痛的領域，工具零散、操作複雜，想要把人聲從嘈雜的背景中乾淨地分離出來，往往需要專業工程師花上大把時間。但 SAM Audio 的出現，似乎準備要打破這個高不可攀的門檻。

這項技術的核心概念其實很簡單：它讓「聽覺」變得像「視覺」一樣容易被選取和編輯。

三種直覺指令，精準鎖定你想要的聲音

SAM Audio 之所以特別，不在於它有多複雜的參數，而在於它「聽得懂」人類的指令。它不再要求使用者去調整頻率或波形，而是透過三種非常直覺的方式來告訴 AI：「嘿，我要這個聲音。」

這三種提示（Prompting）方式，每一種都對應了不同的使用情境，讓我們來仔細看看。

1. 文字指令 (Text Prompting)：說出你想要的

這大概是最簡單粗暴的方式了。如果你想要一段錄音裡的狗叫聲，你只需要輸入「狗叫聲 (dog barking)」；如果你想要保留歌手的聲音，就輸入「歌聲 (singing voice)」。

這背後的邏輯與現在流行的圖像生成 AI 很像，但它是反過來的。SAM Audio 會分析整段複雜的音訊混合物，然後根據你的文字描述，像個聽話的助手一樣，把符合描述的音軌單獨「抓」出來給你。這對於要在長篇錄音中尋找特定音效的剪輯師來說，簡直省下了無數個小時。

2. 視覺指令 (Visual Prompting)：看哪裡，點哪裡

這功能聽起來有點科幻，但它卻是 SAM Audio 最讓人驚艷的地方。試想一下，你在編輯一支樂團演奏的影片，想要單獨聽聽鼓手的節奏是否準確。

在過去，你可能需要原始的分軌檔案。但現在，透過 SAM Audio 的視覺提示功能，你只需要在影片畫面上「點擊」那組鼓，AI 就會自動辨識這個物體，並把與之對應的聲音分離出來。這種視覺與聽覺的同步處理，讓影音創作者在後製時能擁有前所未有的直覺體驗。

3. 時間區段指令 (Span Prompting)：業界首創的精準控制

這點是 Meta 特別自豪的「業界首創」。有時候，我們需要的不是某個特定的物體聲音，而是「這段時間內」發生的聲音事件。

Span Prompting 允許使用者在音訊波形上直接框選一段時間範圍。這有點像是我們在文書軟體裡反白一段文字一樣，你告訴模型：「我只在乎這幾秒鐘發生的事情。」透過標記特定的時間段，AI 能更精確地鎖定並處理該區間內的音訊特徵。這對於需要極高精確度的專業混音或科學研究來說，提供了極大的控制權。

從創作者到科學家，應用場景無所不在

你也許會問，這對我有什麼影響？其實，SAM Audio 的潛力遠比我們想像的廣泛。以前音訊分割和編輯是一個破碎的市場，充滿了各種單一用途的工具。但作為一個統一的模型，SAM Audio 正在改變這一切。

• 內容創作者與 Podcaster： 這是最直接的受惠者。想像你在戶外錄製 Vlog 或 Podcast，背景有惱人的車流聲或鄰居的狗叫聲。以前你可能要忍痛放棄這段素材，現在只需幾個指令，就能把干擾音濾除，保留清晰的人聲。
• 音樂人與製作人： 對於音樂創作來說，能夠瞬間從混音成品中提取出吉他獨奏或特定樂器，對於取樣（Sampling）或學習編曲都是巨大的幫助。
• 影視後製： 剪輯師不再需要為了分離對白與環境音而焦頭爛額，工作流程將變得更加流暢。
• 科學研究與無障礙科技： 這點比較少人提到，但同樣重要。科學家可以用它來分析特定野生動物的叫聲，排除環境雜音；聽障輔助科技也能利用這項技術，在吵雜環境中更精準地分離出對話聲音，提升使用者的生活品質。

開源精神：現在就能親自體驗

Meta 在 AI 領域一直保持著相當開放的態度，這次也不例外。如果你是開發者，或是單純對新科技充滿好奇的玩家，你不需要乾等。

• 開發者資源： 你可以直接前往 Github 或 Hugging Face 下載模型權重與程式碼，進行研究或將其整合到自己的應用程式中。
• 一般用戶試玩： 就算你不會寫程式也沒關係。Meta 推出了全新的 Segment Anything Playground。你可以在這個網頁平台上，上傳自己的音訊或影片，親手玩玩看這項「聲音魔術」，體驗一下指哪裡、聽哪裡的快感。

結語：AI 多模態處理的新篇章

SAM Audio 的出現，標誌著 AI 多模態處理（Multimodal Processing）又往前邁進了一大步。它不再只是處理單一的文字或圖片，而是開始理解聲音、影像與時間之間的複雜關係。

這項工具將原本複雜的訊號處理工程，轉化為每個人都能理解的直覺互動。雖然我們不知道未來還會有什麼黑科技出現，但至少現在，處理聲音不再是專業工程師的專利，而是每位創作者都能輕鬆上手的日常。

常見問題解答 (FAQ)

Q1：SAM Audio 是免費的嗎？ 是的，Meta 秉持開源精神，已經公開了 SAM Audio 的模型權重和程式碼，開發者可以免費下載研究。對於一般使用者，也可以透過線上的 Segment Anything Playground 免費體驗其功能。

Q2：這個模型支援哪些類型的檔案輸入？ SAM Audio 支援音訊檔案以及影片檔案。特別是在處理影片時，它可以結合視覺提示（點擊畫面物體）來進行聲音分離，這是純音訊工具無法做到的。

Q3：它跟一般的降噪軟體有什麼不同？ 一般的降噪軟體通常是全面性地壓低背景噪音，有時會犧牲音質。SAM Audio 則是透過「語意理解」來運作，它能辨識並「分離」出特定的聲音（例如：只留下吉他聲，或是只去掉狗叫聲），提供了比傳統降噪更精細、更具創意的編輯選擇。

Q4：我可以用它來做什麼？ 應用範圍非常廣！包括但不限於：去除 Podcast 背景雜音、從影片中提取特定樂器聲、製作卡拉 OK 伴奏（分離人聲）、或是輔助聽障人士在吵雜環境中聽清對話。