# Cómo aislar la voz de una canción: 4 métodos comparados URL: https://anyvoice.app/es/journal/como-aislar-la-voz-de-una-cancion Type: blog Locale: es Published: 2026-10-12 Updated: 2026-10-12 --- > Cuatro formas de extraer una voz de una mezcla terminada, ordenadas por calidad, con el flujo de Demucs, la cadena de limpieza y los límites de la separación por IA. Cómo aislar la voz de una canción se reduce a un solo gesto: pasa la mezcla completa por un separador de stems basado en IA, como Demucs, elige la salida de dos stems (voz y acompañamiento) y exporta un WAV sin pérdidas. Parte de un WAV o FLAC, no de un MP3 de calidad de streaming. Espera un acapella utilizable en menos de dos minutos, con algunas colas de reverb y sangrado de hi-hat que tendrás que limpiar a mano. Esa es la versión corta. El resto de la guía explica qué método encaja con cada trabajo, qué deja atrás cada uno y cuándo el resultado no basta para lo que quieres hacer con él. ## ¿Qué método da una voz utilizable y cuál desperdicia una tarde? Existen cuatro enfoques y no están ni cerca en calidad. Este es el ranking de nuestras propias sesiones, de peor a mejor, sobre una mezcla pop densa. La cancelación de fase (el truco de Audacity de «invertir y mezclar») solo funciona si la voz principal está centrada y tienes una versión instrumental para restarla. Sin ese instrumental, obtienes un resultado delgado y hueco. Sáltalo salvo que poseas el stem instrumental. El EQ y la edición espectral pueden adelantar una voz con un realce de 1 a 4 kHz y un corte por debajo de 100 Hz. Eso es un truco de mezcla, no un aislamiento. Las guitarras y la caja siguen ocupando esa misma banda. La extracción por canal central (los antiguos plugins de «vocal remover») es la misma idea con una interfaz más agradable. Falla en cualquier canción con dobles de voz ensanchados en estéreo o con reverb. La separación de stems por IA es el único método que trata la voz como una fuente propia. Una red neuronal entrenada con miles de sesiones multipista predice la voz y el resto, y luego resta. Es lo que quieres en casi todos los casos. *Nota de sesión: si un sello te envía el multipista real o un acapella oficial, usa eso. La separación es el plan B para cuando no existe ningún stem.* ![Sesión en DAW con la forma de onda de una voz aislada sobre dos pistas de acompañamiento grises](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/anyvoice/2026-10/46f3a2-i1.webp) ## Cómo aislar la voz de una canción con Demucs, paso a paso Demucs, del grupo de investigación de Meta, es el modelo de código abierto que la mayoría de servicios de separación usan por debajo. La versión de transformer híbrido informa de una relación señal-distorsión de 9.20 dB en el benchmark MUSDB cuando se entrena con datos adicionales, según el [artículo Hybrid Transformers for Music Source Separation](https://arxiv.org/abs/2211.08553). Un SDR más alto significa menos instrumento residual en la voz y menos daño a la propia voz. El flujo de trabajo tiene cuatro pasos: - Consigue el archivo de mayor calidad posible. Un WAV o FLAC de 16 bits y 44.1 kHz supera siempre a un MP3 de 128 kbps, porque la codificación con pérdida ya emborronó el contenido de alta frecuencia que el modelo usa para localizar las consonantes. - Instala Demucs en local con pip, o usa una herramienta de navegador que lo envuelva. Las ejecuciones en local mantienen tus archivos privados y no cuestan nada por pista. - Ejecuta el comando de dos stems: `demucs --two-stems=vocals tu-cancion.wav`. La primera ejecución descarga los pesos del modelo, que ocupan varios cientos de megabytes. - Abre la carpeta de salida. Obtendrás `vocals.wav` y `no_vocals.wav`. Arrástralos a tu DAW, alinéalos en la muestra cero y comprueba que sumarlos reproduce el original. En un portátil moderno con CPU, una canción de 4 minutos tarda entre uno y tres minutos. Con GPU, eso baja a segundos. La variante ajustada `htdemucs_ft` es unas cuatro veces más lenta y algo más limpia en voces. Úsala para cualquier cosa que vayas a publicar o clonar. ## Lo que la voz aislada todavía hace mal Así suena el resultado en contexto. Pon en solo el stem de voz y oirás tres artefactos recurrentes. Las colas de reverb se cortan. El modelo conserva la voz seca y pierde buena parte de la sala, así que el final de cada frase se detiene de golpe. Una reverb de convolución corta, al 10 o 15 por ciento de mezcla húmeda, la vuelve a unir. Los hi-hats y las sibilantes se intercambian. La energía de los platillos alrededor de 8 a 10 kHz se filtra a la voz, y algunas «s» reales se escapan. Un de-esser de 6 a 8 kHz más un corte dinámico suave resuelve la mayor parte. Las voces de fondo y los dobles acaban en el stem equivocado. El modelo no puede saber a qué voz llamas principal. Los coros muy apilados salen como una sola voz emborronada. No te fíes de quien te diga que el resultado está limpio. La separación es una estimación, no una recuperación de las pistas originales. ## ¿Los ajustes y el archivo de origen cambian de verdad el resultado? Sí, y más de lo que cambia la elección de la herramienta. Tres cosas mueven la aguja. La calidad del origen va primero. Repite la misma canción desde un archivo sin pérdidas y desde un MP3 de baja tasa, y compara los stems de voz con un test de nulidad. La versión MP3 arrastra un pre-eco audible alrededor de las oclusivas. La elección del modelo va en segundo lugar. Las variantes ajustadas de Demucs y los modelos más recientes de división por bandas cambian velocidad por menos artefactos. El modelo anterior, Spleeter de Deezer, es rápido y ligero, pero sus voces suenan más planas en arreglos cargados. Los ajustes de solapamiento y desplazamiento van en tercer lugar. Un solapamiento más alto (0.25 por defecto) y entre dos y cinco desplazamientos aleatorios promedian los artefactos de frontera a costa de tiempo de cálculo. Para una exportación final, sube ambos. ![Micrófono de condensador y interfaz de audio sobre una mesa con luz cálida](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/anyvoice/2026-10/5090a7-i2.webp) ## ¿Puedes usar una voz aislada como muestra para clonar una voz? Es lo que más preguntan nuestros lectores. La respuesta corta: solo con permiso, y rara vez a calidad completa. Un clon entrenado con una voz separada hereda los artefactos. Las colas de reverb cortadas y las sibilantes filtradas aparecen como ruido de respiración extraño o como ceceo en el habla generada. La mayoría de servicios de clonación quieren entre 30 segundos y 3 minutos de voz seca, con micrófono cercano y sin música debajo. Una voz de canción separada está cantada, procesada y con reverb, que es justo lo contrario. El lado legal es igual de estricto. Una grabación comercial está protegida por derechos de autor, y la voz del cantante puede estar protegida por derechos de personalidad o de publicidad según el país. Clonar a un cantante a partir de una pista publicada sin licencia es el caso de uso que los reguladores están empezando a regular. Usa tus propias grabaciones, o las de una persona que dé su consentimiento, para cualquier clon que publiques. Donde la separación sí ayuda es al limpiar material propio. Si grabaste una entrevista sobre una base musical, o una nota de voz con una pista de fondo sonando, la separación te da un punto de partida más limpio antes de subir una muestra. ## ¿Cuándo conviene no usar separación por IA? Evítala cuando puedas conseguir el stem real. Muchos artistas publican stems para concursos de remezclas, y tiendas como Bandcamp y similares venden acapellas oficiales. Un stem real no tiene ningún artefacto. Evítala en trabajos forenses o probatorios. Una voz separada es una suposición del modelo, y puede inventar detalles verosímiles. Evítala cuando la voz es lo único de la mezcla con el mismo timbre que los instrumentos, como un cantante solo que dobla una línea de sintetizador. La red te devolverá ambos, mezclados. Merece la pena cuando el resultado es una pista de práctica, una muestra para una remezcla que vas a autorizar, una pista de karaoke o una pasada de limpieza sobre tu propia grabación. ## Una cadena de limpieza para la voz extraída Trata el stem como una mezcla de trabajo, no como una pista terminada. Este es el orden que usamos en cada extracción. Empieza con un filtro paso alto a 80 Hz para quitar el sangrado del bombo. Las voces apenas aportan algo útil por debajo de esa frecuencia, y el modelo suele dejar un golpe grave residual. Después, usa una herramienta de reparación espectral o un EQ dinámico en las bandas de filtración. El sangrado de hi-hat vive alrededor de 8 a 10 kHz, y el de la caja alrededor de 200 Hz y 4 kHz. Corta solo mientras suena el golpe correspondiente, para que la voz conserve su aire entre golpes. Luego añade un de-esser de 6 a 8 kHz, un toque de reverb de placa para reconstruir las colas y un compresor ligero a 2:1 para igualar los saltos de nivel donde el modelo cambió de confianza. Los ajustes aquí son pequeños: entre 1 y 3 dB de reducción de ganancia basta. Termina con una comprobación de sonoridad. Las voces aisladas salen más bajas que la mezcla original, normalmente entre 6 y 10 dB, así que normaliza antes de comparar con nada. *Nota de sesión: escucha siempre el stem con auriculares y con monitores. Los artefactos que desaparecen en los monitores se notan en los auriculares.* **¿La separación es lo bastante buena?** Dos comprobaciones llevan cinco minutos. Primero, el test de nulidad: invierte la fase de la suma de ambos stems frente al original. Una separación fiel deja un residuo muy bajo. Segundo, el test en solo: escucha la voz sola a volumen moderado y anota dónde tiembla, porque esos puntos quedarán expuestos en cualquier remezcla. Si el temblor aparece solo en el estribillo, repite con un solapamiento más alto o separa esa sección por separado. Si aparece en todas partes, el archivo de origen o el arreglo son el límite, y ningún ajuste lo arreglará. No todo requiere línea de comandos. Elige la herramienta según la tarea. Para limpiar por lotes tus propias grabaciones habladas, un editor basado en transcripción que además elimine la música de fondo es más rápido que una separación de stems. Para crear una muestra de clonación a partir de habla limpia, usa un servicio que acepte entre 30 segundos y unos minutos de audio seco e informe de la calidad antes de que te comprometas. ![Auriculares de estudio apoyados sobre una consola de mezcla](https://fdzlnqpwsaniezitwiuw.supabase.co/storage/v1/object/public/cms-media/anyvoice/2026-10/6e19d0-i3.webp) ## Antes de tu próxima sesión Haz una prueba antes de comprometerte con un flujo de trabajo. Toma una canción que sea tuya, sepárala con `htdemucs_ft` y vuelve a sumar los dos stems. Compáralos con el original mediante test de nulidad. Si el residuo queda por debajo de unos -40 dB, la separación es lo bastante fiel para la mayoría de trabajos. Después corrige los tres problemas conocidos, en este orden: añade una reverb corta, aplica un de-esser alrededor de 6 a 8 kHz y decide qué dobles conservas. Eso lleva diez minutos y pasa la voz de «claramente extraída» a utilizable en una mezcla. Por último, mantén una línea clara entre limpiar tu propio audio y tomar prestada la voz de otra persona. Lo primero es un flujo de trabajo. Lo segundo necesita una licencia. ## FAQ ### ¿Puedes aislar la voz de una canción gratis? Sí. Demucs y Spleeter son de código abierto y se ejecutan en local sin coste por pista. Las herramientas de navegador que los envuelven suelen ofrecer una vista previa gratuita y cobran por las descargas de calidad completa. ### ¿Por qué mi voz aislada suena acuosa o con fase? El modelo estima la voz y la resta, así que las zonas de baja confianza salen con altas frecuencias emborronadas. Usa un origen sin pérdidas, un modelo ajustado como htdemucs_ft y un solapamiento más alto. ### ¿Audacity sirve para aislar voces? Solo para voces centradas, y solo si además tienes el instrumental para restar. En una mezcla estéreo normal, el truco de invertir y mezclar deja un resultado delgado y hueco, y la separación por IA funciona mucho mejor. ### ¿El formato del archivo importa al aislar voces? Sí. Un WAV o FLAC de 16 bits y 44.1 kHz da al modelo todo el detalle de alta frecuencia. Un MP3 de 128 kbps ya perdió información de consonantes, lo que produce pre-eco y filtraciones en el stem. ### ¿Es legal aislar la voz de una canción con derechos de autor? Separar una pista para práctica privada suele tratarse de forma distinta a publicarla. Publicar remezclas, muestras o clones de voz a partir de una grabación comercial requiere licencia de los titulares de derechos, y las normas varían según el país. ### ¿Una voz aislada puede entrenar un clon de voz? Técnicamente sí, pero la calidad sufre. Las colas de reverb y las sibilantes filtradas pasan al clon. Los servicios de clonación prefieren entre 30 segundos y 3 minutos de voz seca con micrófono cercano, y necesitas el consentimiento de la persona.