Come isolare la voce da una canzone: 4 metodi a confronto

Come isolare la voce da una canzone si riduce a una mossa: passa il mix completo in un separatore di stem basato su IA, come Demucs, scegli l'uscita a due stem con voce e base, ed esporta un WAV senza perdite. Parti da un WAV o FLAC, non da un MP3 a qualità streaming. Aspettati un acapella utilizzabile in meno di due minuti, con qualche coda di riverbero e un po' di bleed dei piatti da pulire a mano.

Questa è la versione breve. Il resto della guida spiega quale metodo si adatta a quale lavoro, che cosa lascia indietro ciascuno e quando il risultato non basta per l'uso che hai in mente.

Quale metodo ti dà una voce utilizzabile e quale ti fa perdere un pomeriggio?

Esistono quattro approcci, e la qualità non è affatto simile. Ecco la classifica tratta dalle nostre sessioni, dal peggiore al migliore su un mix pop denso.

Il cancellamento di fase (il trucco "inverti e somma" di Audacity) funziona solo se la voce principale è perfettamente al centro e hai una versione strumentale da sottrarre. Senza quella base ottieni un risultato sottile e vuoto. Evitalo, a meno che tu non possieda lo stem strumentale.

EQ e editing spettrale possono portare la voce in primo piano alzando la banda tra 1 e 4 kHz e tagliando sotto i 100 Hz. È un trucco di mix, non un'isolazione. Chitarre e rullante restano nella stessa banda.

L'estrazione del canale centrale (i vecchi plugin "vocal remover") segue la stessa idea con un'interfaccia più gradevole. Fallisce su qualsiasi brano con doppi vocali allargati in stereo o con riverbero.

La separazione degli stem tramite IA è l'unico metodo che tratta la voce come una sorgente a sé. Una rete neurale addestrata su migliaia di sessioni multitraccia stima la voce e il resto, poi sottrae. È ciò che ti serve quasi sempre.

Nota di sessione: se un'etichetta ti invia il multitraccia vero o un acapella ufficiale, usa quello. La separazione è una soluzione di ripiego, per quando non esiste alcuno stem.

Come isolare la voce da una canzone con Demucs, passo dopo passo

Demucs, del gruppo di ricerca di Meta, è il modello open source che la maggior parte dei servizi di separazione usa sotto il cofano. La versione a trasformatori ibridi riporta un rapporto segnale-distorsione di 9.20 dB sul benchmark MUSDB quando viene addestrata con dati extra, come descritto nel paper Hybrid Transformers for Music Source Separation. Un SDR più alto significa meno strumenti residui nella voce e meno danni alla voce stessa.

Il flusso di lavoro prevede quattro passi:

1. Procurati il file sorgente di qualità più alta possibile. Un WAV o FLAC a 16 bit/44.1 kHz batte un MP3 a 128 kbps ogni volta, perché la codifica con perdita ha già alterato le alte frequenze che il modello usa per trovare le consonanti.

2. Installa Demucs in locale con pip, oppure usa uno strumento nel browser che lo incapsula. Le esecuzioni in locale tengono i tuoi file privati e non costano nulla per brano.

3. Lancia il comando a due stem: demucs --two-stems=vocals tua-canzone.wav. La prima esecuzione scarica i pesi del modello, che occupano qualche centinaio di megabyte.

4. Apri la cartella di output. Ottieni vocals.wav e no_vocals.wav. Caricali nella DAW, allineali al campione zero e verifica che sommandoli si riproduca l'originale.

Su una CPU di un laptop recente, un brano di 4 minuti richiede da uno a tre minuti circa. Una GPU riduce il tempo a pochi secondi. La variante ottimizzata htdemucs_ft è circa quattro volte più lenta e un po' più pulita sulla voce. Usala per tutto ciò che pensi di pubblicare o da cui vuoi clonare.

Che cosa lascia ancora sbagliato la voce isolata

Ecco come suona il risultato in contesto. Ascolta lo stem vocale da solo e noterai tre artefatti ricorrenti.

Le code di riverbero vengono tagliate. Il modello conserva la voce asciutta e perde buona parte della stanza, quindi la fine di ogni frase si interrompe di colpo. Un riverbero a convoluzione breve, al 10-15 per cento wet, la ricuce.

Hi-hat e sibilanti si scambiano il posto. L'energia dei piatti intorno agli 8-10 kHz filtra nella voce, e alcune "s" vere escono. Un de-esser tra 6 e 8 kHz più un leggero taglio dinamico in EQ risolve la maggior parte dei casi.

Cori e raddoppi finiscono nello stem sbagliato. Il modello non può sapere quale voce chiami solista. I cori molto sovrapposti escono come un'unica voce sfocata.

Diffida di chi ti dice che il risultato è pulito. La separazione è una stima, non un recupero delle tracce originali.

Le impostazioni e il file sorgente cambiano davvero il risultato?

Sì, e più dello strumento scelto. Tre fattori spostano l'ago.

La qualità della sorgente viene prima. Esegui la stessa canzone da un file senza perdite e da un MP3 a basso bitrate, poi confronta gli stem vocali con il test di null. La versione MP3 porta un pre-eco udibile intorno alle consonanti esplosive.

La scelta del modello viene in secondo luogo. Le varianti ottimizzate di Demucs e i nuovi modelli a band-split scambiano velocità con meno artefatti. Il vecchio modello Spleeter di Deezer è veloce e leggero, ma le voci suonano più piatte su arrangiamenti densi.

Overlap e shift vengono in terzo. Un overlap più alto (0.25 di default) e da due a cinque "shift" casuali mediano gli artefatti ai bordi, al costo di tempi più lunghi. Per un export finale, alza entrambi.

Un'isolazione vocale può servire come campione per un clone?

È la domanda che ci arriva più spesso. Risposta breve: solo con il permesso, e raramente a qualità piena.

Un clone addestrato su una voce separata eredita gli artefatti. Code di riverbero spezzate e fuga di sibilanti si presentano come un rumore di respiro strano o come un lieve lisp nel parlato generato. La maggior parte dei servizi di clonazione chiede da 30 secondi a 3 minuti di parlato asciutto, microfonato da vicino, senza musica sotto. Una voce di canzone separata è cantata, processata e riverberata: è l'esatto opposto.

Il lato legale è altrettanto stretto. Una registrazione commerciale è protetta dal diritto d'autore, e la voce del cantante può essere tutelata dai diritti della personalità o di pubblicità a seconda del paese. Clonare un cantante da un brano pubblicato senza licenza è il caso d'uso su cui i regolatori stanno scrivendo norme. Usa le tue registrazioni, o un interprete che ha dato il consenso, per qualsiasi clone che distribuisci.

Dove l'isolazione aiuta davvero è nella pulizia del materiale tuo. Se hai registrato un'intervista su una base musicale, o un memo vocale con una traccia di sottofondo, la separazione ti dà un punto di partenza più pulito prima di caricare un campione.

Quando conviene saltare del tutto la separazione IA?

Saltala quando puoi ottenere lo stem vero. Molti artisti pubblicano gli stem per i concorsi di remix, e negozi come Bandcamp vendono acapella ufficiali. Uno stem reale non ha artefatti.

Saltala per il lavoro forense o probatorio. Una voce separata è la stima di un modello, e può inventare dettagli plausibili.

Saltala quando la voce è l'unica cosa nel mix con lo stesso timbro degli strumenti, per esempio un cantante solo che raddoppia una linea di synth. La rete te le restituirà entrambe, mescolate.

Vale la pena lavorarci quando il risultato è una traccia per esercitarsi, un campione per un remix che prevedi di liberare, una base karaoke o un passaggio di pulizia sulla tua registrazione.

Una catena di pulizia per la voce estratta

Tratta lo stem come un bounce grezzo, non come un brano finito. È l'ordine che usiamo in ogni estrazione.

Parti con un filtro passa-alto a 80 Hz per eliminare il bleed della cassa. La voce non porta quasi nulla di utile sotto quella frequenza, e il modello spesso lascia un debole tonfo basso.

Poi usa uno strumento di riparazione spettrale o un EQ dinamico sulle bande di perdita. Il bleed dei piatti vive intorno agli 8-10 kHz, quello del rullante intorno ai 200 Hz e ai 4 kHz. Taglia solo mentre l'impatto colpevole suona, così la voce mantiene la sua aria tra un colpo e l'altro.

Aggiungi quindi un de-esser tra 6 e 8 kHz, un tocco di riverbero a piastra per ricostruire le code e un compressore leggero a 2:1 per livellare i salti di volume dove il modello ha cambiato confidenza. Gli interventi qui sono piccoli: da 1 a 3 dB di riduzione di guadagno bastano.

Chiudi con un controllo del loudness. Le voci isolate escono più basse del mix originale, di solito di 6-10 dB, quindi normalizza prima di confrontarle con qualsiasi cosa.

Nota di sessione: ascolta sempre lo stem in cuffia e su casse. Gli artefatti che spariscono sulle casse si sentono in cuffia.

La separazione è abbastanza buona? Bastano cinque minuti per due controlli. Primo, il test di null: inverti la fase della somma dei due stem rispetto all'originale. Una separazione fedele lascia un residuo molto basso. Secondo, il test solista: ascolta la voce da sola a volume moderato e annota dove vibra, perché quei punti saranno esposti in qualsiasi remix.

Se la vibrazione sta solo nel ritornello, riesegui con un overlap più alto, oppure separa quella sezione a parte. Se compare ovunque, il limite è il file sorgente o l'arrangiamento, e nessuna impostazione lo risolverà.

Non tutto richiede una riga di comando. Scegli lo strumento in base al compito.

Per la pulizia in batch di registrazioni parlate, un editor basato sulla trascrizione che rimuove anche la musica di sottofondo è più veloce di una separazione per stem.

Per costruire un campione di clonazione da un parlato pulito, usa un servizio che accetta da 30 secondi a qualche minuto di audio asciutto e che riporta la qualità prima che tu ti impegni.

Prima della prossima sessione

Fai un test prima di impegnarti in un flusso di lavoro. Prendi un brano di cui hai i diritti, separalo con htdemucs_ft e somma i due stem. Confrontali con l'originale in modalità null. Se il residuo sta sotto i circa -40 dB, la separazione è abbastanza fedele per la maggior parte dei lavori.

Poi risolvi i tre problemi noti, in quest'ordine: aggiungi un riverbero breve, fai de-essing intorno ai 6-8 kHz e decidi quali raddoppi tenere. Ci vogliono dieci minuti, e la voce passa da "chiaramente estratta" a utilizzabile in un mix.

Infine, tieni una linea netta tra la pulizia del tuo audio e il prestito della voce di qualcun altro. La prima è un flusso di lavoro. La seconda richiede una licenza.