KI Vocal Remover

AI Vocal Removal verwendet ein Deep-Learning-Modell (Mel-Band RoFormer), das das Spektrogramm Ihres Songs über die Zeit und mel-skalierte Frequenzbänder analysiert. Es schätzt den Vocal Track, und das Instrumental ist der ursprüngliche Mix mit diesem Vocal Track entfernt, wodurch saubere Karaoke-Stil-Ausgabe.

Das Vokalmodell hat 11,3 dB SDR und 16,0 dB Instrumental SDR auf 50 MUSDB18 Testausschnitten gemessen, etwa 3 dB besser auf beiden als auf dem Motor, den wir zuvor verwendet haben. Der Instrumentalausgang ist typischerweise sauber genug für Karaoke oder Remix. Einige Durchblutungen können auf stark verarbeiteten oder komprimierten Tracks auftreten.

Ja! Sie erhalten sowohl den isolierten Gesang als auch den Instrumentaltrack. Dies ist nützlich für die Erstellung von Acapella-Versionen, Sampling-Gesang für Remixe oder Transkription von Texten aus komplexen Mixes.

Wir unterstützen MP3, WAV, FLAC, OGG, M4A und WEBM Dateien bis zu 50MB. Für beste Ergebnisse, verwenden Sie die höchste Qualität der verfügbaren Quelldatei (WAV oder FLAC bevorzugt gegenüber komprimierten MP3).

Ja, das Erstellen von Karaoke-Tracks ist eine der beliebtesten Anwendungen. Die Instrumentalausgabe ist sauber genug für Karaoke-Performances, Sing-along-Videos und Hintergrundmusik für Veranstaltungen.

Laden Sie den Song hoch und das Tool erzeugt automatisch sowohl den isolierten Gesangstrack (Acapella) als auch das Instrumental. Die Stimmextraktion funktioniert am besten auf gut gemischten Tracks mit klarem Gesang. Verwenden Sie WAV- oder FLAC-Quelldateien für die saubersten Ergebnisse.

Batch-Verarbeitung ist über unsere API verfügbar, so dass Sie mehrere Tracks für die Stimmentfernung in einem automatisierten Workflow. Die Web-Schnittstelle verarbeitet ein Lied zu einem Zeitpunkt mit sofortiger Vorschau und Download.

Unser Tool verwendet ein Mel-Band RoFormer-Modell zur Stimmtrennung. Auf 50 MUSDB18 Testausschnitten wurden 11,3 dB SDR und 16,0 dB instrumental SDR gemessen. So lässt die Transformer-basierte Trennung weniger Artefakte übrig als ältere spektrale Methoden.

Ja, aber die Ergebnisse variieren mit Live-Audio. Studioaufnahmen geben die beste Trennungsqualität. Liveaufnahmen mit Publikumsgeräuschen, Hall und überlappenden Instrumenten können mehr Durchblutung haben, obwohl das Modell immer noch brauchbare Ergebnisse liefert.

Die Vokalentfernung verwendet 2.000 Zeichen pro verarbeiteten Track. Kostenlose Konten erhalten 15.000 Zeichen auf Anmeldung. Das Tool ist auf allen bezahlten Plänen mit großzügigen Charakterzulagen für die regelmäßige Nutzung verfügbar.

Audio, das Sie auf einem kostenpflichtigen Plan trennen, kann kommerziell verwendet werden, und das Upgrade umfasst auch Audio, das Sie früher auf der freien Ebene getrennt haben; Freiraumausgabe ist nur für den persönlichen, nicht kommerziellen Gebrauch. Das Mel-Band RoFormer Vokalmodell wird unter der MIT-Lizenz veröffentlicht, so dass das Modell selbst keine Beschränkung der kommerziellen Nutzung setzt. In jedem Fall müssen Sie die Rechte an dem Originallied haben: Mit urheberrechtlich geschützter Musik ohne Erlaubnis können Urheberrechtsgesetze verletzt werden, unabhängig davon, wie das Audio verarbeitet wird.

Die Bearbeitungszeit hängt von der Länge des Tracks ab. Ein typischer 3-5-Minuten-Song dauert 15-45 Sekunden. Längere Tracks oder qualitativ hochwertigere Trennungsmodi können bis zu einer Minute dauern.