Liitä kappale laulunpoistajaan, odota minuutti, ja laulaja on poissa. Se tuntuu tempulta, ja pitkään se olikin sellainen: vanhat menetelmät joko kumosivat stereokuvan keskustan tai leikkasivat pois taajuuskaistan, ja molemmat tuhosivat muun musiikin. Modernit työkalut tekevät jotain muuta. Tämä opas selittää mitä, ilman yhtälöitä.
Kappale on kuva
Ääni on aalto: ilmanpaine nousee ja laskee tuhansia kertoja sekunnissa. Sitä on tietokoneen hankala käsitellä, joten lähes jokaisen erottelujärjestelmän ensimmäinen vaihe on muuttaa ääni kuvaksi, jota kutsutaan spektrogrammiksi. Aika kulkee vasemmalta oikealle, sävelkorkeus alhaalta ylös, ja kirkkaus näyttää, kuinka paljon energiaa kullakin sävelkorkeudella on kullakin hetkellä.
Siinä kuvassa ääni näyttää joukolta aaltoilevia vaakasuoria viivoja: perustaajuus ja sen yläsävelet, jotka liukuvat laulajan siirtyessä sävelestä toiseen. Bassorumpu on lyhyt pystysuora tuhru alareunassa. Hi-hat on hienoa usvaa yläreunassa. Pianosointu on pino suoria viivoja, jotka alkavat yhtä aikaa ja häipyvät. Soittimet menevät päällekkäin, mutta niillä on muotoja, ja muodot ovat jotain, minkä neuroverkko voi oppia tunnistamaan.
Malli maalaa maskin
Kun verkolle annetaan miksatun kappaleen spektrogrammi, sen tehtävä on tuottaa toinen samankokoinen kuva, jota kutsutaan maskiksi ja jossa jokainen pikseli kertoo, kuinka suuri osa energiasta kyseisellä hetkellä ja sävelkorkeudella kuuluu äänelle. Kerro alkuperäinen kuva maskilla, ja saat äänen spektrogrammin; kerro käänteisellä, ja saat kaiken muun. Muuta ne kuvat takaisin aalloiksi, ja sinulla on kaksi äänitiedostoa.
Stem-erottelija tekee saman useaan kertaan ja tuottaa yhden maskin kullekin: laululle, rummuille, bassolle, pianolle ja "muulle".
Uudemmat mallit lisäävät toisen näkökulman: spektrogrammin ohella ne katsovat myös suoraan raakaa aaltoa, mikä auttaa terävissä transienteissa, kuten rumpujen iskuissa, jotka sumenevat spektrogrammissa. Jotkut työkaluissa näkyvät moottorit, kuten MDX-Net ja Demucs, eroavat toisistaan lähinnä siinä, miten ne yhdistävät nämä kaksi näkökulmaa ja kuinka suuria ne ovat.
Miten se oppi, miltä ääni näyttää
Kukaan ei ohjelmoinut sääntöjä kuten "äänen yläsävelet ovat näin välein". Verkko koulutettiin tuhansilla kappaleilla, joiden erilliset raidat olivat saatavilla: miksaus yhdellä puolella, eristetyt laulut, rummut, basso ja muut stemit toisella. Jokaisen kappaleen kohdalla se arvasi maskin, vertasi arvaustaan oikeisiin eristettyihin stemeihin ja sääti miljoonia sisäisiä lukujaan hieman tehdäkseen paremmin seuraavalla kerralla. Toista viikkojen ajan tehokkaalla raudalla, ja tuloksena on malli, joka on käytännössä kuullut enemmän moniraitasessioita kuin yksikään ihmisäänittäjä.
Tuo koulutusaineisto on myös sen rajoitusten lähde. Malli on parhaimmillaan siinä musiikissa, jota se kuuli eniten, eli modernissa popissa, rockissa, hiphopissa ja elektronisessa musiikissa, jossa on selkeä studiotuotanto.
Miksi jotkut kappaleet erottuvat puhtaasti ja toiset eivät
Kaiku ja delay. Äänen efektit on tehty äänestä itsestään, ajassa levitettynä ja tilaan sekoitettuna. Osa siitä levityksestä näyttää sen alla olevilta soittimilta, joten mallin on arvattava, missä ääni loppuu ja tila alkaa. Kuivat laulut erottuvat puhtaasti; katedraalikokoiset kaiut jättävät haamun.
Tuplatut ja kerrostetut laulut. Stemmat, tuplaukset ja pinotut kertosäkeet ovat kahden stemin mallille kaikki "ääntä", joten ne kaikki lähtevät päälaulun mukana. Jos haluat säilyttää stemmat, tarvitset mallin, joka on koulutettu poistamaan nimenomaan vain päälaulun, ja sellainen "karaoke"-malli on.
Instrumenttina käytetyt äänet. Vocoder, talk-box tai voimakkaasti sävelkorkeudeltaan muunnettu laulupätkä muistuttaa muodoltaan enemmän syntikkaa kuin laulajaa. Osa siitä jää instrumentaaliin.
Päällekkäiset rekisterit. Säröinen komppikitara ja naisen belttaus asuvat samalla alueella kuvassa. Missä ne osuvat yhteen, maski on kompromissi.
Lo-fi-lähteet. 96 kbps:n striimi tai vanha kasettisiirto on jo menettänyt ne hienot yksityiskohdat, joilla malli erottaa lähteet toisistaan.
Mitä "moottori"- ja "laatu"-asetukset oikeasti muuttavat
Laulunpoistajat tarjoavat yleensä vakiomoottorin ja yhden tai kaksi korkealaatuisempaa. Ero ei ole suodin; se on eri, suurempi malli, joskus useita malleja, joiden ulostuloista lasketaan keskiarvo. Suurempi malli arvaa paremmin tulkinnanvaraiset pikselit, mikä näkyy vähempänä laulun haamuna instrumentaalissa ja vähempinä soitinpalasina acapellassa. Hinta on aika: kahden suuren mallin yhdistelmä voi kestää moninkertaisesti vakiomoottoriin verrattuna.
Mazmazikassa vakiomoottori antaa nopeasti jopa viisi stemiä; High Quality -mallit (Best Vocals, Best Instrumental, Karaoke) ja Ultra-moottori, joka ajaa kaksi mallia ja yhdistää kummankin parhaat puolet, ovat suuremmat vaihtoehdot, ja työkalusivu luettelee, mitkä niistä tilauksesi sisältää. Myös ulostulon bittinopeus nousee näillä moottoreilla 128:sta 320 kbps:iin, millä on merkitystä, jos tiedosto soitetaan isossa järjestelmässä.
Miksi kaksi stemiä on puhtaampi kuin viisi
Jokainen ylimääräinen stem on yksi raja lisää, jonka mallin on piirrettävä. "Ääni vai ei ääni" -malli piirtää yhden rajan, ja instrumentaali säilyttää alkuperäisen miksauksen yhtenäisyyden. Viiteen jakava malli piirtää neljä rajaa, ja pienet virheet jokaisessa niistä kasautuvat, kun soitat stemit taas yhdessä. Siksi karaokeopas suosittelee kahta stemiä, vaikka viisi olisi saatavilla.
Mitä malli ei voi tehdä
Se ei voi keksiä sitä, mitä ei koskaan äänitetty. Jos laulajan hengitys peitti hiljaisen pianonuotin kokonaan, se nuotti on poissa instrumentaalista. Se ei voi erottaa kahta samassa rekisterissä unisonossa laulavaa laulajaa kahdeksi henkilöksi. Eikä se voi poistaa tekijänoikeutta: erotellut stemit ovat juridisesti edelleen alkuperäinen äänite, joten julkaisemista ja esittämistä koskevat säännöt pätevät yhä.
Mihin teknologia on menossa
Tutkimusmallit kasvavat jatkuvasti, ja niitä koulutetaan nyt useammilla stemeillä (esimerkiksi kitara ja piano erillisinä kohteina) ja useammilla genreillä. Ilmaisen selaintyökalun ja studiotyöaseman välinen ero on kahden stemin erottelussa pääosin umpeutunut; jäljellä olevat erot koskevat erikoistapauksia, nopeutta ja sitä, miten työkalu antaa sinun työstää tulosta jälkikäteen.
Kokeile omilla korvillasi
Nopein tapa ymmärtää kaikki tämä on ajaa hyvin tuntemasi kappale laulunpoistajan läpi, mykistää laulustem ja kuunnella kertosäe kuulokkeilla. Kuulet juuri ne ilmiöt, jotka tässä kuvattiin: puhtaan säkeistön, heikon haamun kaiun hännässä ja kertosäkeen, jossa stemmat lähtivät päälaulun mukana. Lue sitten laulunpoistaja vs. stem-erottelija päättääksesi, mikä tila sopii seuraavaan projektiisi.