Como isolar a voz de uma música: 4 métodos comparados

Como isolar a voz de uma música se resume a um gesto: passe a mistura completa por um separador de stems com IA, como o Demucs, escolha a saída de dois stems (vocal e acompanhamento) e exporte um WAV sem perdas. Comece por um WAV ou FLAC, e não por um MP3 de qualidade de streaming. Espere um acapella utilizável em menos de dois minutos, com algumas caudas de reverb e vazamento de hi-hat para limpar à mão.

Isso é a versão curta. O restante deste guia mostra qual método serve para cada tarefa, o que cada um deixa para trás e quando o resultado não é bom o bastante para o que você pretende fazer com ele.

Qual método entrega um vocal utilizável, e qual desperdiça uma tarde?

Existem quatro abordagens, e a diferença de qualidade entre elas é grande. Esta é a ordem, da pior para a melhor, com base nas nossas próprias sessões em um pop denso.

A inversão de fase (o truque "inverter e somar" do Audacity) só funciona se o vocal principal estiver exatamente no centro e você tiver uma versão instrumental para subtrair. Sem essa instrumental, o resultado sai fino e oco. Evite, a menos que você tenha o stem instrumental.

EQ e edição espectral conseguem trazer o vocal para a frente com um reforço entre 1 e 4 kHz e um corte abaixo de 100 Hz. Isso é um truque de mixagem, não uma isolação. As guitarras e a caixa continuam ocupando a mesma faixa de frequência.

A extração de canal central (os antigos plugins "vocal remover") segue a mesma ideia com uma interface mais bonita. Ela falha em qualquer música com dobras de voz alargadas em estéreo ou com reverb.

A separação por stems com IA é o único método que trata o vocal como uma fonte própria. Uma rede neural treinada com milhares de sessões multipista prevê o vocal e o restante, e depois subtrai. É o que você quer na maioria dos casos.

Nota de sessão: se uma gravadora um dia enviar a multipista de verdade ou um acapella oficial, use isso. A separação é o plano B, para quando não existe stem nenhum.

Como isolar a voz de uma música com o Demucs, passo a passo

O Demucs, do grupo de pesquisa da Meta, é o modelo de código aberto que a maioria dos serviços de separação usa por baixo. A versão de transformer híbrido reporta uma razão sinal-distorção de 9.20 dB no benchmark MUSDB quando treinada com dados extras, como descrito no artigo Hybrid Transformers for Music Source Separation. Quanto maior o SDR, menos instrumento sobra no vocal e menos o vocal sofre.

O processo tem quatro passos:

1. Consiga o arquivo de origem com a melhor qualidade possível. Um WAV ou FLAC de 16 bits/44.1 kHz vence um MP3 de 128 kbps em qualquer comparação, porque a compressão com perdas já suavizou o conteúdo de altas frequências que o modelo usa para encontrar consoantes.

2. Instale o Demucs localmente com pip, ou use uma ferramenta de navegador que o encapsula. Execuções locais mantêm seus arquivos privados e não cobram nada por faixa.

3. Rode o comando de dois stems: demucs --two-stems=vocals sua-musica.wav. Na primeira execução, o modelo baixa os pesos, que têm algumas centenas de megabytes.

4. Abra a pasta de saída. Você recebe vocals.wav e no_vocals.wav. Coloque os dois na sua DAW, alinhe-os no sample zero e confira se a soma reproduz o original.

Em um notebook moderno, uma música de 4 minutos leva de um a três minutos na CPU. Uma GPU reduz isso para segundos. A variante ajustada htdemucs_ft é cerca de quatro vezes mais lenta e um pouco mais limpa nos vocais. Use-a para qualquer coisa que você pretenda lançar ou usar como base de um clone.

O que o vocal isolado ainda erra

Veja como a saída soa em contexto. Escute o stem de vocal sozinho e você vai notar três artefatos recorrentes.

Caudas de reverb são cortadas. O modelo mantém o vocal seco e descarta boa parte do ambiente, então o fim de cada frase para de repente. Uma convolução curta de reverb com 10 a 15 por cento de sinal molhado devolve essas caudas.

Hi-hats e sibilância trocam de lugar. Energia de pratos entre 8 e 10 kHz vaza para o vocal, e alguns "s" reais escapam. Um de-esser entre 6 e 8 kHz, somado a um corte dinâmico suave, resolve a maior parte.

Vozes de apoio e dobras vão para o stem errado. O modelo não tem como saber qual voz é a principal. Refrões com muitas camadas saem como um vocal borrado só.

Desconfie de quem disser que o resultado está limpo. A separação é uma estimativa, não uma recuperação das faixas originais.

As configurações e o arquivo de origem realmente mudam o resultado?

Mudam, e bem mais do que a escolha da ferramenta. Três fatores pesam.

A qualidade da origem vem em primeiro lugar. Rode a mesma música a partir de um arquivo sem perdas e de um MP3 de baixa taxa, e compare os stems de vocal com um teste de nulo. A versão em MP3 traz pré-eco audível em torno das plosivas.

A escolha do modelo vem em segundo. As variantes ajustadas do Demucs e os modelos band-split mais recentes trocam velocidade por menos artefatos. O Spleeter, mais antigo e da Deezer, é rápido e leve, mas seus vocais soam mais chapados em arranjos carregados.

Os ajustes de overlap e shift vêm em terceiro. Um overlap maior (0.25 por padrão) e de dois a cinco "shifts" aleatórios diluem os artefatos nas bordas, ao custo de tempo de processamento. Para uma exportação final, aumente os dois.

Dá para usar um vocal isolado como amostra para clonagem de voz?

É aqui que a maioria dos leitores pergunta. Resposta curta: só com permissão, e raramente com qualidade total.

Um clone treinado com um vocal separado herda os artefatos. Caudas de reverb cortadas e vazamento de sibilância aparecem como ruídos de respiração estranhos ou chiado na fala gerada. A maioria dos serviços de clonagem pede de 30 segundos a 3 minutos de fala seca, com microfone próximo e sem música por baixo. Um vocal de música separado é cantado, processado e com reverb, ou seja, o oposto disso.

O lado jurídico é igualmente rigoroso. Uma gravação comercial é protegida por direito autoral, e a voz do cantor pode estar protegida por direitos de personalidade ou de imagem, dependendo do país. Clonar um cantor a partir de uma faixa lançada, sem licença, é justamente o caso que os reguladores começam a tratar em regras específicas. Use gravações suas, ou de um intérprete que tenha consentido, em qualquer clone que você vá publicar.

Onde a separação realmente ajuda é na limpeza do seu próprio material. Se você gravou uma entrevista sobre uma cama musical, ou uma nota de voz com uma base tocando ao fundo, a separação dá um ponto de partida mais limpo antes de você enviar a amostra.

Quando você deve descartar a separação por IA

Descarte quando conseguir o stem real. Muitos artistas publicam stems para concursos de remix, e lojas como o Bandcamp vendem acapellas oficiais. Um stem real não tem artefato nenhum.

Descarte em trabalhos forenses ou probatórios. Um vocal separado é um palpite do modelo, e ele pode inventar detalhes plausíveis.

Descarte também quando o vocal é o único elemento da mistura com o mesmo timbre dos instrumentos, como um cantor sozinho dobrando uma linha de synth. A rede vai devolver os dois, misturados.

Vale o esforço quando o resultado é uma faixa de prática, uma amostra para um remix que você pretende liberar, uma base de karaokê ou uma passada de limpeza na sua própria gravação.

Uma cadeia de limpeza para o vocal extraído

Trate o stem como um bounce bruto, e não como uma faixa finalizada. Esta é a ordem que usamos em toda extração.

Comece com um high-pass em 80 Hz para remover o vazamento do bumbo. Um vocal quase não tem nada útil abaixo disso, e o modelo costuma deixar um thump grave residual.

Em seguida, use uma ferramenta de reparo espectral ou um EQ dinâmico nas bandas de vazamento. O vazamento de hi-hat fica em torno de 8 a 10 kHz, o da caixa em torno de 200 Hz e 4 kHz. Corte somente enquanto a batida em questão soa, para que o vocal mantenha o ar entre as batidas.

Depois, adicione um de-esser entre 6 e 8 kHz, um toque de reverb de placa para reconstruir as caudas e um compressor leve, de 2:1, para nivelar os saltos de volume nos trechos em que o modelo mudou de confiança. Os ajustes aqui devem ser pequenos: de 1 a 3 dB de redução de ganho bastam.

Termine com uma checagem de loudness. Vocais isolados saem mais baixos que a mistura original, normalmente de 6 a 10 dB, então normalize antes de comparar com qualquer coisa.

Nota de sessão: sempre ouça o stem em fones e em monitores. Artefatos que somem nos monitores aparecem nos fones.

A separação está boa o bastante? Dois testes levam cinco minutos. Primeiro, o teste de nulo: inverta a fase da soma dos dois stems e some ao original. Uma separação fiel deixa um resíduo muito baixo. Segundo, o teste solo: ouça o vocal sozinho em volume moderado e anote onde ele oscila, porque esses pontos vão ficar expostos em qualquer remix.

Se a oscilação aparecer só no refrão, rode de novo com um overlap maior ou separe a seção à parte. Se ela aparecer o tempo todo, o limite é o arquivo de origem ou o arranjo, e nenhuma configuração resolve isso.

Nem tudo precisa de linha de comando. Escolha a ferramenta de acordo com a tarefa.

Para limpar em lote as suas próprias gravações de fala, um editor baseado em transcrição que também remove música de fundo é mais rápido do que uma separação de stems.

Para montar uma amostra de clonagem a partir de fala limpa, use um serviço que aceite de 30 segundos a alguns minutos de áudio seco e informe a qualidade antes de você se comprometer.

Antes da sua próxima sessão

Faça um teste antes de se comprometer com um fluxo de trabalho. Pegue uma música que você possui, separe-a com htdemucs_ft e some os dois stems de volta. Faça o teste de nulo contra o original. Se o resíduo ficar abaixo de cerca de -40 dB, a separação é fiel o bastante para a maioria dos trabalhos.

Depois, corrija os três problemas conhecidos, nesta ordem: adicione uma reverb curta, faça um de-esser entre 6 e 8 kHz e decida quais dobras manter. Isso leva dez minutos e tira o vocal do estado de "claramente extraído" para algo utilizável em uma mixagem.

Por fim, mantenha uma linha clara entre limpar o seu próprio áudio e pegar emprestada a voz de outra pessoa. O primeiro é um fluxo de trabalho. O segundo exige licença.