AUDIO / BEAT TRACKING

音频快速标记

把音乐的节奏,变成时间线上的剪辑点。

在时间线选中音乐片段,读取后即可分析。

节拍预览

保留真实节奏变化,不强制铺成等间距网格

节拍小节首拍
等待选中音频

读取音频后显示波形;分析节拍后叠加落点。

00:00 — 00:00
00:00 / 00:00

试听选中片段的源音频;首拍高音、其他拍低音。音量调至 0 即静音,不改变时间线音量。

参考速度— BPM由相邻节拍间隔估算
检测节拍—小节首拍 —
待写入标记—已有标记位置自动跳过
分析模型Beat This!检查本地模型…
01

选择节奏

保留所有检测节拍;首拍会使用独立颜色。

02

写入方式

标记对齐到最近一帧;已有标记保持原样。

正在连接 Resolve…
使用范围与模型选择依据

读取选中片段的源音频、裁切范围和嵌入声道,不混入其他轨道。当前支持正常速度的独立音频;变速、倒放、复合片段及外部链接音频请先反弹为新音频。源音频分析不包含 Fairlight 效果。

Beat This! 同时检测节拍与小节首拍,适合离线音乐分析。BPM 是统计参考;自由节奏、弱鼓点、半速/倍速歧义需要人工检查。标准版与轻量版均为官方 MIT 发布权重。对比与来源见项目 docs/audio-mark.md。

LOCAL MODELS

模型与运行环境

选择适合你的模型。只有点击下载才获取权重,音频分析全程在本机完成。

显示的大小仅为模型权重;Python、PyTorch 与 FFmpeg 需另外配置。

运行环境

环境检查不会安装依赖或下载模型。

点击「检查环境」查看实际使用的 Python。

首次使用/修复:安装推理依赖

模型权重已下载不代表运行环境就绪。在 PowerShell 执行下方命令,将依赖安装到实际使用的 Python。

先点击「检查环境」,这里会显示对应 Python 的安装命令。

PyTorch 与 torchaudio 需使用匹配版本;CUDA 安装方式见 PyTorch 官方说明。安装依赖不会重新下载模型权重。完成后再次检查环境。