# AI 音频分类器使用教程：本地识别音乐/语音/环境音，隐私不上传

> 来源：工具派（https://gjupai.com） 原文页面：https://gjupai.com/tutorial/ai-audio-classifier-guide

## 工具简介

**AI 音频分类器**是工具派推出的一款本地 AI 音频识别工具：上传一段音频（或直接现场录音），工具会用 AST（Audio Spectrogram Transformer）模型在浏览器本地分析声音内容，给出「音乐、语音、狗叫声、雨声、警笛声……」等类别标签及对应的置信度，并把常见英文标签翻译成中文。整个识别过程在浏览器内完成，音频文件不会上传到服务器，隐私有保障。除单个识别外，它还支持最多 5 个文件的批量识别、六种识别模式过滤、BPM/能量/调性等音频特征分析，以及结果的一键导出，适合音频素材整理、环境音分析、音乐曲风判断等场景。

## 功能亮点

- **本地 AST 模型识别**：基于 Transformers.js 在浏览器端加载 AST 音频分类模型，音频全程不上传服务器；首次使用需加载约 87MB 模型，之后自动缓存，再次使用无需重复下载。
- **单个 + 批量双模式**：「单个识别」用于精细分析一个文件；「批量识别」一次最多处理 5 个音频，结果以表格展示每个文件的 Top1 标签、置信度和 Top5 标签。
- **六种识别模式**：全部分类、音乐/乐器、语音/人声、动物声音、自然声音、音乐曲风。选择分类模式后只显示该类别的标签；「音乐曲风」模式会取 Top 25 结果并过滤出古典、流行、摇滚、爵士、嘻哈等流派标签，自动翻译为中文。
- **结果数量与阈值可调**：「显示 Top」可选 3 / 5 / 10 条结果；「置信度阈值」滑杆（0%–90%）可过滤掉低置信度的噪声标签，让结果更干净。
- **现场录音识别**：内置录音按钮，最长可录制 30 秒，录完直接参与识别，录音数据同样只在本地处理。
- **音频特征分析**：上传后自动计算并展示 BPM（节拍）、能量（RMS）和调性（主音），配合波形可视化和内置播放器，边听边看更直观。
- **结果导出与历史记录**：单个结果可导出 JSON 或 CSV；批量结果可导出汇总 CSV（含 Top1、Top5）或完整 JSON。最近 10 条识别记录保存在本地浏览器，方便回溯。

## 参数说明

| 参数 | 说明 | 默认值 / 取值范围 |
| --- | --- | --- |
| 识别方式 | 「单个识别」分析一个文件，「批量识别」一次处理多个文件 | 默认「单个识别」；批量最多 5 个文件 |
| 上传音频 | 拖拽、粘贴或点击上传，支持常见音频格式 | 单个文件不超过 20MB |
| 录音识别 | 点击按钮现场录音并直接识别 | 最长 30 秒，仅单个识别模式可用 |
| 识别模式 | 过滤结果标签所属的类别 | 全部分类（默认）/ 音乐·乐器 / 语音·人声 / 动物声音 / 自然声音 / 音乐曲风 |
| 显示 Top | 识别结果展示的标签条数 | Top 3 / Top 5（默认）/ Top 10；曲风模式固定取 Top 25 再过滤 |
| 置信度阈值 | 低于该置信度的标签不显示 | 0%（默认）– 90%，步长 5% |
| 导出格式 | 单个结果导出标签+置信度；批量导出含文件名、Top1、Top5 | JSON / CSV |

## 使用步骤

1. **打开工具页面**：顶部是工具名称和简介，下方「单个识别 / 批量识别（最多 5 个）」两个标签页用于切换识别方式，无需上传服务器、保护隐私。

![AI 音频分类器主界面：顶部为工具标题与简介，下方是「单个识别 / 批量识别（最多 5 个）」切换标签、音频拖拽上传虚线](article/202607/1783995036119_1069.png)

2. **上传音频**：在「单个识别」页，把音频文件拖进虚线框、直接粘贴，或点击选择文件（最大 20MB）；也可以点「录音识别」现场录制最长 30 秒的声音。上传后页面会自动显示播放器、波形图，以及 BPM、能量、调性三个特征指标。

3. **选择识别模式**：在「识别模式」按钮组中选择类别——不确定内容时保持「全部分类」；只想看流派时选「音乐曲风」；分析录音素材时可按需要选「语音/人声」「动物声音」「自然声音」等，结果会按所选类别过滤。

4. **设置结果数量与阈值**：在「显示 Top」中选择展示 3、5 或 10 条标签；拖动「置信度阈值」滑杆过滤低置信度标签（例如设到 30% 可去掉大部分噪声结果）。

5. **开始识别并查看结果**：点击「开始识别」，首次使用会先加载约 87MB 的本地模型（自动缓存）。识别完成后，结果区按置信度从高到低显示标签和百分比进度条；若当前模式下没有匹配标签，可切回「全部分类」查看全部结果。

6. **导出或批量处理（可选）**：单个结果可点「导出 JSON / 导出 CSV」保存；需要处理多个文件时切换到「批量识别」，一次选择最多 5 个音频，识别完成后在表格中查看每个文件的 Top1 与 Top5，并一键导出汇总 CSV 或完整 JSON。最近的识别记录会显示在页面底部的「最近识别记录」中。

## 使用技巧

- **第一次使用耐心等待模型加载**：约 87MB 的 AST 模型只需下载一次并自动缓存，之后打开即用；网络慢时进度条停住属正常现象。
- **先用「全部分类」摸底，再用分类模式精筛**：「全部分类」给出模型最原始的判断，确认音频大致内容后再切换到对应模式，可避免误过滤掉关键标签。
- **曲风判断记得切「音乐曲风」模式**：该模式会取 Top 25 结果并过滤出古典、流行、摇滚、爵士、嘻哈、电子等流派标签并翻译为中文，比普通模式更容易看出曲风倾向。
- **用置信度阈值做「降噪」**：环境音、混合素材常带一堆低分标签，把阈值拉到 20%–40% 只保留高置信度结果，导出 CSV 时也更清爽。
- **批量识别适合整理素材库**：一次 5 个文件，导出 CSV 后表格里直接有「文件名 + Top1 标签 + Top5」，可用于给音效库批量打标签。
- **结合 BPM/能量/调性交叉验证**：识别为「音乐」且 BPM 正常（60–180）、能量较高的片段可信度更高；BPM 为 0 多为语音或无规律环境音。

## 常见问题

**Q1：音频会上传到服务器吗？**
不会。模型通过 Transformers.js 在浏览器本地加载和运行，上传的文件、录音数据都只在本地处理，页面上的隐私提示也明确说明了这一点。

**Q2：为什么第一次识别很慢？**
首次使用需要下载约 87MB 的 AST 模型文件，下载完成后会自动缓存到浏览器，之后再次使用就很快了。如果清理了浏览器缓存，则需要重新加载。

**Q3：支持哪些音频格式？文件大小有限制吗？**
支持浏览器可解码的常见音频格式（如 MP3、WAV、M4A、OGG 等），单个文件不能超过 20MB，超过会提示「音频大小不能超过 20MB」；批量模式同样按此限制过滤文件。

**Q4：「音乐曲风」模式和普通模式有什么区别？**
普通模式只返回 Top 3/5/10 个标签；曲风模式会先取 Top 25 个结果，再从中过滤出古典、歌剧、流行、摇滚、金属、爵士、布鲁斯、嘻哈、电子、氛围等流派标签，并把英文标签翻译成中文，专门用于判断音乐风格。

**Q5：识别结果是英文标签看不懂怎么办？**
工具内置了常用标签的中文翻译（如 Speech→语音、Dog→狗叫声、Rain→雨声、Guitar→吉他等），常见类别会自动显示中文；少数冷门标签仍显示英文原名，属正常现象。

**Q6：识别记录保存在哪里？会丢吗？**
最近 10 条识别记录（文件名、Top1 标签、置信度、时间）保存在浏览器 localStorage 中，只存在当前设备当前浏览器里；清理浏览器数据或点击「清空」按钮后记录即被删除。