AI Voĉdividilo

Stema divido apartigas miksitan sontrakon en individuajn komponantojn (stemojn): voĉoj, frapinstrumentaro, kontrabaso, kaj aliaj instrumentoj. Tio estas nepreciza por muzika produktado, miksado, specimenado, transskribo, kaj karaokeo.

Vi povas dividi trakon en 2 partojn (voĉo kaj instrumento) aŭ 4 partojn (voĉo, frapinstrumentaro, baso kaj aliaj instrumentoj). Gitaro, piano, sintezilo kaj ĉio alia, kio ne estas voĉo, frapinstrumentaro aŭ baso, restas kune en la Alia parto.

Voĉoj estas apartigitaj per Mel-Band RoFormer modelo en ĉiu divido. En 4-stema reĝimo, SCNet modelo tiam apartigas la drumojn, basojn kaj aliajn instrumentojn de la instrumenta. Estas unu motoro por ĉiu nivelo, do la libera 2-stema divido uzas la saman voĉan modelon kiel kont-dividoj.

On 50 MUSDB18 test excerpts the vocal model measured 11.3 dB vocal SDR and 16.0 dB instrumental SDR (signal-to-distortion ratio, higher is cleaner), about 3 dB better on both than the engine we used before. Some bleed-through between stems is normal, especially on heavily layered or compressed mixes.

Processing time depends on the track length and the number of stems. A 4-stem split takes longer than a 2-stem split, because a second model separates the instrumental after the vocals are removed.

Stems you separate on any paid plan can be used commercially, and upgrading also covers stems you made earlier on the free tier; free-tier output is for personal, non-commercial use only. Both separation models are released under licenses that allow commercial use: MIT for the Mel-Band RoFormer vocal model and Apache 2.0 for the SCNet model. In every case you must have the rights to the original audio: separating copyrighted music does not grant you new rights to the individual stems.

Batch processing is available via our API, allowing you to submit multiple tracks for stem separation in an automatic workflow. The web interface handles one track at a time with instant preview and download of all stems.

Ne kiel propran truon. La 4- trua modo kunigas gitarojn, pianojn, sintezilojn, klavarojn kaj ĉiujn aliajn instrumentojn en la Alia truo. Dediĉita gitaro aŭ pianotruo ne estas disponebla.

Jes, ĉiu stelo estas eksportita kiel aparta sondosiero kiu povas esti importita en iu ajn DAW (Ableton, Logic Pro, FL Studio, ktp.) por remiksado. Alĝustigi nivelojn, aldoni efektojn, aŭ anstataŭigi individuajn stelojn por krei novajn aranĝojn.

La divido de la kerno uzas 2000 signojn por ĉiu trako. Senpagaj kontoj ricevas 15000 signojn je la aliĝo. Ĉiuj pagaj planoj inkluzivas multegajn signojn por regula uzo.

Ni akceptas MP3-, WAV-, FLAC-, OGG-, M4A- kaj WEBM- dosierojn ĝis 50 MB. Por plej bona apartiga kvalito, alŝutu senperdajn formatojn (WAV, FLAC). La eligo estas disponigita en WAV- formato por konservi maksimuman kvaliton.

Our vocals come from a Mel-Band RoFormer model, a transformer architecture for music source separation, and the 4-stem split adds an SCNet model for drums, bass and other instruments. Rather than a ranking, we publish what we measured: 11.3 dB vocal SDR and 16.0 dB instrumental SDR on 50 MUSDB18 test excerpts.