iZotope发布Photon：12个机器学习模型驱动本地GPU音频分离

iZotope Photon 的真正分量不在“又一个AI音频工具”，而在于它把12个定制训练的机器学习模型全部塞进本地GPU跑，彻底绕开了上传云端这一环——这是iZotope与Boris FX合并后的第一次联合产品，也是音频后期从“云端AI服务”转向“桌面本地推理”的一个标志性节点。

12个模型不是堆料，是场景切分

Photon的模型清单值得逐个拆开看，因为它暴露了iZotope对用户工作流的判断。Demix 系列负责分离：Music 4 Stems Ultra是新的四轨高质量音乐分离模型；Drums 5 Stems能把鼓组拆成底鼓、军鼓、踩镲、通鼓、镲片五路；Voice Separator最多从单个音频文件里分出6个说话人；Voice 2 Stems做人声与音乐的二分；Cinema 4 Stems则把视频或音频拆成对白、音乐、音效和“其余”四路。Denoise 系列负责清理：Voice Restore处理语音增强并兼顾噪声、电平、麦克风音色和混响；Indoor与Indoor Noisy专治室内混响和房间噪声；Outdoor、Outdoor Traffic、Outdoor Wind分别针对交通、城市噪声和强风优化。

这套组合的意图很清楚：它不是给“通用降噪”做一个大模型，而是把音乐制作、播客访谈、影视现场三条线各自拆成独立模型。Drums 5 Stems这种颗粒度，说明它瞄准的是混音师要单独调底鼓音量的真实需求，而不是demo级的“人声/伴奏”二分。Voice Separator支持6个说话人，直接对应圆桌播客和多嘉宾访谈这种过去需要手动切轨的苦活。

本地GPU推理才是战略重点

大型定制训练模型在本地GPU上运行，快速、私密，无需上传。

这句话是整篇公告里最该被放大的部分。过去两年，音频AI的主流形态是云端API——上传、排队、下载，速度受带宽和服务器负载制约，隐私则是绕不过去的坎。Photon把推理放到本地GPU，意味着两件事：一是处理速度不再受网络影响，二是素材根本不出机器。

对播客和访谈制作者来说，第二点尤其致命。未播出的采访录音、涉及敏感话题的对白、客户未授权的素材，上传到第三方服务器在很多合同里是直接违规的。Photon的本地化路线等于把这类用户从“能不能用AI”变成了“可以放心用AI”。评论区那位LeafReel的读者点得很准：访谈和播客音频恰恰是最不该上传的材料，而6人Voice Separator能省下panel录音的数小时手工切轨。

ARA插件形态决定了它嵌进哪条工作流

Photon同时提供独立应用和ARA插件两种形态，这个双轨设计不是随手加的。ARA（Audio Random Access）是DAW与音频处理插件之间的扩展协议，允许插件直接读取时间线上的音频片段并实时交互。Photon作为ARA插件进DAW，意味着用户可以在Pro Tools、Logic、Studio One这类宿主里直接对某一段stem做平衡调整或降噪，多个模型可以同时跑、随时切换而不用等。

配套的Preview from anywhere功能也服务于同一逻辑：可以从片段的任意位置开始处理，几秒内听到结果。对长文件——比如一小时的访谈或整场音乐会——这个功能把“试错成本”压到了几乎为零。Model Manager则让新模型和更新模型无需重装软件即可下载，这是把模型当成可持续迭代的资产而非一次性功能。

导出格式里的Cinema信号

导出支持WAV、FLAC、MP3，以及“视频同源导出并保留原始视频流”。最后这一项容易被忽略，但它明确指向影视后期：Photon不是只处理纯音频文件，它能吃进视频、拆出对白/音乐/音效四轨、再把处理结果连同原视频流一起吐出来。配合Cinema 4 Stems模型，这条链路是冲着现场素材的 dialogue isolation 去的——评论区有人直接点名想拿它和DaVinci Resolve的对白隔离做对比，这个对比请求本身就说明Photon被放在了影视后期工具的竞争序列里，而不只是音乐工具。

所以呢

对从业者而言，Photon释放的信号有三层。第一，音频AI的竞争焦点正从“模型效果”转向“部署形态”，本地GPU推理会成为专业工具的门槛而非卖点，云端方案在涉及保密素材的场景里会持续失分。第二，iZotope与Boris FX的合并开始产出实质产品，两家研究团队的模型能力被整合进同一个应用，这对RX、Neutron等既有产品线的走向是个观察窗口。第三，模型颗粒度的细化——鼓组拆五路、说话人拆六路、户外噪声按交通/风分开——说明AI音频处理正在从“一键美化”进入“按工种定制”的阶段，通用大模型反而可能在这个市场里吃亏。

Photon已于2026年11月3日发布，早期优惠持续到12月7日。真正需要验证的不是模型数量，而是Cinema 4 Stems在杂乱现场音里的实际分离质量，以及本地GPU推理在长素材上的速度是否真的撑得起“fast”这个词。这两点决定了它是后期工作流里的常驻工具，还是又一个装完就忘的插件。