Tutorials

Vocal Remover vs. Stem-Splitter: Wo liegt der Unterschied?

5 Min. Lesezeit

Wer nach „Gesang aus einem Song entfernen“ sucht, findet zwei Arten von Werkzeugen: Vocal Remover und Stem-Splitter. Die Namen klingen nach zwei verschiedenen Technologien. Das sind sie nicht. Beide verwenden dieselbe Familie neuronaler Netze, die mit Mehrspuraufnahmen trainiert wurden; der Unterschied liegt darin, was sie ausgeben und wofür sie abgestimmt sind. Zu wissen, welches Sie brauchen, spart Rechenzeit und liefert ein besseres Ergebnis.

Die Kurzfassung

  • Ein Vocal Remover liefert zwei Dateien: die Stimme und alles andere. Er ist darauf abgestimmt, das „alles andere“ so sauber wie möglich zu machen. Nutzen Sie ihn für Karaoke, Backing-Tracks und Acapellas.
  • Ein Stem-Splitter liefert vier oder fünf Dateien: Gesang, Drums, Bass, Klavier und „sonstige“ Instrumente. Nutzen Sie ihn für Remixe, Übungstracks, bei denen Sie Ihr eigenes Instrument stummschalten, und für Transkriptionen.

Viele Dienste, darunter der Mazmazika Vocal Remover, bieten beide Modi auf derselben Seite an; die eigentliche Frage ist also, welchen Modus Sie für die jeweilige Aufgabe wählen.

Wie beide funktionieren

Ein fertiger Song ist eine einzelne Stereodatei. Nichts darin sagt „dieser Teil ist der Sänger“. Ein Quellentrennungsmodell lernt anhand tausender Songs, bei denen die Einzelspuren verfügbar waren, wie Stimmen, Drums, Bässe und Keyboards typischerweise klingen: ihre Klangfarbe, ihre Position im Stereobild, ihre Bewegung über die Zeit. Bei einem neuen Mix sagt es für jedes kleine Zeit- und Frequenzfenster voraus, wie viel der Energie zu welcher Quelle gehört, und baut aus diesen Vorhersagen pro Quelle eine Audiodatei zusammen.

Deshalb sind die Ergebnisse nie ganz perfekt. Wo sich zwei Quellen in Zeit und Frequenz überlappen, etwa eine Frauenstimme und eine verzerrte Gitarre in derselben Lage, muss das Modell abwägen, und ein wenig der einen landet in der anderen. Größere Modelle wägen besser ab; genau das sind die Engines „High Quality“ und „Ultra“.

Eine allgemein verständliche Erklärung des Modells selbst finden Sie unter Wie KI-Gesangstrennung wirklich funktioniert.

Warum zwei Stems sauberer sein können als fünf

Es liegt nahe zu denken, fünf Stems seien einfach „mehr“. Für das Instrumental ist es oft schlechter. Wenn ein Modell fünffach aufteilt, muss es jedes bisschen Energie einem von fünf Töpfen zuordnen, und die Fehler summieren sich; ein Snare-Schlag, der teils in „Sonstiges“ und teils in „Drums“ landet, klingt leicht verschmiert, wenn beide wieder zusammen abgespielt werden. Muss es nur „Stimme oder nicht Stimme“ entscheiden, gibt es nur eine Grenze zu treffen, und das Instrumental behält den Zusammenhalt des Originalmixes.

Für Karaoke und Backing-Tracks wählen Sie also zwei Stems. Für alles, wo Sie Drums oder Bass tatsächlich einzeln brauchen, wählen Sie den Multi-Stem-Modus und nehmen pro Stem etwas mehr Artefakte in Kauf.

Welches Werkzeug für welche Aufgabe

Karaoke und Gesangsübung. Vocal Remover, zwei Stems. Behalten Sie die Harmonien mit einem Modell, das nur die Leadstimme entfernt, sofern das Werkzeug eines anbietet.

Acapella für einen Remix oder ein Mashup. Vocal Remover, zwei Stems, und die hochwertigste Engine, die Sie haben; das Acapella ist der Stem, den Sie am ungeschütztesten hören werden.

Übungstracks für ein Bandmitglied. Stem-Splitter. Schalten Sie den Bass-Stem stumm, um Bass zu üben, den Drum-Stem, um Drums zu üben, und so weiter. Der Browser-Mixer erledigt das ohne DAW.

Eine Stimme transkribieren. Stem-Splitter. Klavier oder Bass solo zu hören macht die Noten deutlich leichter erkennbar, und wenn Sie das Ergebnis durch den Akkord-Analyzer laufen lassen, haben Sie die Harmonie zum Gegenprüfen.

Einen Drum-Break sampeln. Stem-Splitter, Drum-Stem. Rechnen Sie mit etwas Übersprechen anderer perkussiver Elemente.

Einen ganzen Song remixen. Stem-Splitter, fünf Stems, dann jeden Stem als Spur in Ihrer DAW behandeln. Jeden leicht neu entzerren und komprimieren; getrennte Stems reagieren gut darauf, und es verdeckt die Nahtstellen.

Qualität: Was Sie von jedem erwarten dürfen

Beide Modi sind bei modernem, gut produziertem Material am stärksten und bei dichten, halligen oder Lo-Fi-Aufnahmen am schwächsten. Ein paar Details:

  • Das Instrumental aus dem Zwei-Stem-Modus ist meist die sauberste Einzelausgabe, die ein Trennungswerkzeug überhaupt liefert.
  • Das Acapella trägt die meisten Artefakte, weil Hall und Effekte, die auf der Stimme lagen, teilweise mehrdeutig sind.
  • Der Drum-Stem ist in der Regel ausgezeichnet; Drums sind spektral klar abgegrenzt.
  • Der Bass-Stem ist gut, kann aber in sehr basslastigen Mixen Töne mit dem Tiefbass der Kick vertauschen.
  • „Sonstiges“ ist der Sammeltopf und am wenigsten vorhersehbar: Gitarren, Synths, Streicher und alles Ungewöhnliche landen hier zusammen.

Kostenlos oder bezahlt?

Die Zwei-Stem-Trennung mit der Standard-Engine ist auf Mazmazika kostenlos, mit einer Längenbegrenzung pro Track und einem Tageskontingent. Welche der größeren Engines, Modelle und Tracklängen im kostenlosen Plan enthalten sind und welche mit Pro kommen, steht live auf der Vocal-Remover-Seite unter „Free vs. Pro“, und die Preisseite zeigt die aktuellen Preise in Ihrer Währung. Wenn Sie einen Karaoke-Track für eine Party erstellen, reicht der kostenlose Weg; für Stems, die Sie veröffentlichen oder auf der Bühne spielen, haben sich die größeren Engines schon mit dem ersten Track bezahlt gemacht.

Eine Anmerkung zu den alten Methoden

Vor der neuronalen Trennung gab es zwei Tricks: die Phasenauslöschung, die den linken vom rechten Kanal subtrahiert und damit alles entfernt, was in der Mitte liegt, und das EQ-Notching, das den Frequenzbereich der Stimme herausschneidet. Beide beschädigen den gesamten Mix, weil Bass, Kick und Snare ebenfalls in der Mitte sitzen und im Stimmbereich auch Gitarren und Keyboards leben. Sie sind noch in manche DAWs und kostenlose Plug-ins eingebaut; es gibt heute keinen Grund mehr, sie zu verwenden.

Nächste Schritte

← Zurück zum Journal