用 htdemucs 拆成人聲與伴奏。人聲那一軌可以直接存成音色參考音 —— 有配樂的素材直接拿去克隆,伴奏會被當成音色的一部分學進去。 約需音檔長度的 0.75 倍(五分鐘的歌約三分四十五秒)。