从视频中提取背景音乐是一个相对复杂的任务，因为通常背景音乐与对话或其他声音混合在一起。不过，有一些方法和技术可以用来尝试分离或提取背景音乐：
音频编辑软件：使用专业的音频编辑软件（如Adobe Audition、Audacity等）进行手动编辑。这些软件通常具有降噪、均衡器和频率滤波器等功能，可以帮助你减少人声或其他不需要的声音成分。
AI音乐分离工具：一些AI工具专门设计用于从混合音频中分离音乐和人声。例如，Spleeter是由Deezer开发的一款开源AI工具，可以分离出音乐的伴奏和人声。
频谱编辑：在某些情况下，人声和音乐可能在频谱上有明显的分离。使用频谱编辑工具，你可以尝试识别和删除或减弱人声所在的频率范围。
使用特定插件：一些VST插件或音效处理插件可能提供人声移除或音乐提取的功能，可以在数字音频工作站（DAW）中使用。
重新合成技术：某些技术尝试通过分析音频信号并重新合成来去除人声，但这通常不保证完美分离，可能会损失一些音乐质量。
机器学习模型：一些定制的机器学习模型经过训练，可以识别和提取音频中的特定声音类型，包括背景音乐。
专业服务：你还可以考虑使用专业音频工程师的服务，他们可能拥有更高级的技术和经验来处理这种类型的任务。
音乐识别服务：有些服务能够识别视频中的音乐，并提供音乐的单独版本，但这通常取决于音乐是否已经被识别并拥有单独的音轨。
需要注意的是，提取效果很大程度上取决于原始音频的质量和混合程度。如果背景音乐和人声在频率上高度重叠，分离可能会非常困难。此外，版权法可能对提取和使用背景音乐有限制，因此在商业用途中使用时需要谨慎。
Video-to-audio research uses video pixels and text prompts to generate rich soundtracks视频转音频研究利用视频像素和文字提示生成丰富的背景音乐Video generation models are advancing at an incredible pace,but many current systems can only generate silent output.One of the next major steps toward bringing generated movies to life is creating soundtracks for these silent videos.视频生成模型正以惊人的速度发展，但目前许多系统只能生成无声输出。要使生成的电影栩栩如生，下一个重要步骤就是为这些无声视频创建配乐。Today,we're sharing progress on our video-to-audio(V2A)technology,which makes synchronized audiovisual generation possible.V2A combines video pixels with natural language text prompts to generate rich soundscapes for the on-screen action.今天，我们将与大家分享我们的视频音频（V2A）技术的进展，该技术使同步视听生成成为可能。V2A将视频像素与自然语言文本提示相结合，为屏幕上的动作生成丰富的音效。Our V2A technology is pairable with video generation models like[Veo](https://deepmind.google/technologies/veo/)to create shots with a dramatic score,realistic sound effects or dialogue that matches the characters and tone of a video.我们的V2A技术可与Veo等视频生成模型搭配使用，以创建具有戏剧性配乐、逼真音效或对话的镜头，从而与视频中的人物和基调相匹配。It can also generate soundtracks for a range of traditional footage,including archival material,silent films and more — opening a wider range of creative opportunities.
Video-to-audio research uses video pixels and text prompts to generate rich soundtracks视频转音频研究利用视频像素和文字提示生成丰富的背景音乐Video generation models are advancing at an incredible pace,but many current systems can only generate silent output.One of the next major steps toward bringing generated movies to life is creating soundtracks for these silent videos.视频生成模型正以惊人的速度发展，但目前许多系统只能生成无声输出。要使生成的电影栩栩如生，下一个重要步骤就是为这些无声视频创建配乐。Today,we're sharing progress on our video-to-audio(V2A)technology,which makes synchronized audiovisual generation possible.V2A combines video pixels with natural language text prompts to generate rich soundscapes for the on-screen action.今天，我们将与大家分享我们的视频音频（V2A）技术的进展，该技术使同步视听生成成为可能。V2A将视频像素与自然语言文本提示相结合，为屏幕上的动作生成丰富的音效。Our V2A technology is pairable with video generation models like[Veo](https://deepmind.google/technologies/veo/)to create shots with a dramatic score,realistic sound effects or dialogue that matches the characters and tone of a video.我们的V2A技术可与Veo等视频生成模型搭配使用，以创建具有戏剧性配乐、逼真音效或对话的镜头，从而与视频中的人物和基调相匹配。It can also generate soundtracks for a range of traditional footage,including archival material,silent films and more — opening a wider range of creative opportunities.
背景音乐Aive尝试制作背景音乐。但是由于需要一些乐理知识，对于我们来说有点困难，于是其中一名团队成员想着可以用下方的工具，生成差不多背景音乐，这个还会有版权使用许可证。为了在紧张刺激的场景画面时体现激烈的氛围，需要在音乐中加上鼓点，但高潮部分音乐又要足够气势磅礴，使得整体的画面和节奏相互协调。我们发现大部分的AI音乐难以达到我们的要求。于是我们利用了一款分离人声的AI软件，它能够将人声从背景音乐中分离出来。并且对一些游戏宣传的音乐进行了人声去除和剪辑处理。尽管这个项目只是借用了人工智能的概念，但实际上也应用了一些简单的技术，目前的音乐是一种无版权的剪辑形式。旁白微软AI语音：制作使用了微软声音库制作旁白，语音库支持147种语言，相对而言选择就会多一些，除了语音库，还有定制声音。（也可以根据你的声调跟节奏来制作旁白）