ボーカル除去、L−RとAI音源分離を比較

比較の出発点は単純な現実だ。多くのポップスのミックスはリードボーカルを左右のチャンネルに均等に置くため、片方からもう片方を引けば消える。これがL−Rの論理のすべてで、数行のPythonで示される。だが同じ論理でセンターに置かれた他の要素、ベースやキック、スネアもしばしばそこに置かれるため消え、減算の結果はモノラル1チャンネルになりステレオの広がりは失われる。ボーカルのリバーブはステレオ空間に広がって残り、声の残像が残る。

Demucsは別の道を取る。Hybrid Transformerアーキテクチャに基づきMITライセンスで公開されたhtdemucsモデルは、多くの曲からボーカル、ドラム、ベース、その他の楽器がどんな音かを学習し、ミックス音声から各音源を推定する。チャンネル差ではなく音の性質で分離するため、センターの楽器は伴奏に残り、ボーカルは独立したトラックとして取り出せる。公式リポジトリは2025年1月1日にアーカイブされ、重要な修正のみ作者のフォークで続いている。

双方に実用上の限界は残る。L−Rはほぼ軽量だが、薄いモノラルの結果になり、モノラル録音には全く対応できない。Demucsは重く、既定で約7GBのGPUメモリを要するが、--segmentやCPUモードで速度と引き換えに減らせる。それでも深いエコーやライブの観客録音、古いモノラル音源ではボーカルの痕跡が残ることがある。合唱やハーモニーはボーカルのステムに入るため、リードだけの抽出は得意ではない。設定を省きたい読者向けに、ブラウザベースのサービスVoice Removerはバックエンドでhtdemucsを動かし、MP3の伴奏とボーカルのトラックを返す。