人声分离是一种音频处理技术，旨在从混合的音频信号中提取或分离出特定的人声信号。它在许多应用中都是至关重要的，如音频编辑、语音识别、音乐制作等。

人声分离背后的技术支撑主要包括以下几个方面：

  1. 音频信号处理技术：这是实现人声分离的基础。通过对音频信号进行频谱分析、滤波等操作，可以提取出人声和背景音乐的特征，为后续的分离提供依据。

  2. 深度学习与人工智能：深度学习方法如卷积神经网络（CNN）和循环神经网络（RNN）等已被广泛应用于音频处理领域。在人声分离中，这些模型可以自动学习并提取人声和背景音乐的特征，从而实现分离。此外，生成对抗网络（GANs）等先进模型也可以用于提高分离效果。

  3. 源分离算法：源分离算法是实现音频分离的关键技术之一。常见的源分离算法包括独立成分分析（ICA）、非负矩阵分解（NMF）等。这些算法通过数学模型和计算方法，尝试从混合音频中分离出不同的声音源。

  4. 大规模数据集与训练：为了训练出高效的人声分离模型，需要大量的标记数据（即带有分离后人声和背景音乐的音频样本）。这些数据集不仅提供了模型学习的基础，还使得模型能够在各种情况下进行泛化。

  5. 后处理技术：在分离出人声后，通常还需要进行一些后处理操作，如噪声抑制、音频增强等，以提高人声的质量和清晰度。

综上所述，人声分离技术背后的技术支撑包括音频信号处理技术、深度学习与人工智能、源分离算法、大规模数据集与训练以及后处理技术等多个方面。这些技术的共同作用使得人声分离成为可能，并在许多领域中发挥着重要作用。