AI Vocal RemoverName

AI-voĉa forigo uzas profundan lernadon modelon (Mel-Band RoFormer) kiu analizas la spektrogramon de via kanto tra tempo kaj mel-skalitaj frekvencaj bendoj. Ĝi taksas la voĉan trakon, kaj la instrumenta estas la origina miksaĵo kun tiu voĉo trako forigita, produktante puran karaoke-stilan eliron.

The vocal model measured 11.3 dB vocal SDR and 16.0 dB instrumental SDR on 50 MUSDB18 test excerpts, about 3 dB better on both than the engine we used before. The instrumental output is typically clean enough for karaoke or remixing. Some bleed-through may occur on heavily processed or compressed tracks.

Jes! Vi ricevas kaj la izolitajn voĉojn kaj la instrumentan trakon. Tio estas utila por krei acapella- versiojn, sampli voĉojn por miksaĵoj, aŭ transskribi tekstojn el kompleksaj miksaĵoj.

Ni subtenas MP3-, WAV-, FLAC-, OGG-, M4A- kaj WEBM-dosierojn ĝis 50 MB. Por plej bonaj rezultoj, uzu la fontodosieron kun la plej alta kvalito disponebla (WAV aŭ FLAC prefere ol kunpremita MP3).

Jes, kreado de karaokeaj trakoj estas unu el la plej popularaj uzoj. La instrumenta eligo estas sufiĉe pura por karaokeaj prezentoj, kunkantaj videoj, kaj fonomuziko por eventoj.

Alŝutu la kanton kaj la ilo aŭtomate kreos kaj la izolitan voĉan trakon (acapella) kaj la instrumentan. La voĉa ekstraktado plej bone funkcias sur bone miksitaj trakoj kun klaraj voĉoj. Uzu WAV aŭ FLAC fontajn dosierojn por plej puraj rezultoj.

Batch processing is available through our API, letting you submit multiple tracks for vocal removal in an automatic workflow. The web interface processes one song at a time with instant preview and download.

Our tool uses a Mel-Band RoFormer model for vocal separation. On 50 MUSDB18 test excerpts it measured 11.3 dB vocal SDR and 16.0 dB instrumental SDR. Transformer-based separation like this leaves fewer artifacts than older spectral-based methods.

Jes, sed la rezultoj varias kun viva sono. Studioregistradoj donas la plej bonan apartigan kvaliton. Vivaj registraĵoj kun aŭskultanta bruo, reverb, kaj kovrantaj instrumentoj povas havi pli da sangado, kvankam la modelo ankoraŭ produktas uzeblajn rezultojn.

Voĉforigo uzas 2000 signojn por ĉiu trako. Senpagaj kontoj ricevas 15000 signojn je la aliĝo. La ilo estas disponebla ĉe ĉiuj pagaj planoj kun granda nombro da signoj por regula uzo.

La sonoj, kiujn vi apartigas per iu ajn pagita plano, povas esti uzataj komerce, kaj ĝisdatigo ankaŭ kovras la sonojn, kiujn vi apartigis antaŭe per la libera nivelo; la libera-nivela eligo estas por persona, ne-komerca uzo nur. La voĉmodelo Mel-Band RoFormer estas liberigita sub la MIT-licenco, do la modelo mem ne limigas komercan uzon. Ĉiukaze vi devas havi la rajtojn al la originala kanto: uzado de kopirajta muziko sen permeso povas rompi kopirajtajn leĝojn sendepende de kiel la sono estas prilaborita.

La prilaboradotempo dependas de la trakolongo. Tipa kanto de 3- 5 minutoj bezonas 15- 45 sekundojn por esti prilaborita. Pli longaj trakoj aŭ pli altkvalitaj apartigaj reĝimoj povas preni ĝis unu minuton. La rezultoj estas ludataj tuj en via retumilo.