Illessz be egy dalt egy énekeltávolítóba, várj egy percet, és az énekes eltűnik. Trükknek érződik, és sokáig az is volt: a régi módszerek vagy kioltották a sztereó kép közepét, vagy kivágtak egy frekvenciasávot, és mindkettő tönkretette a zene többi részét. A modern eszközök mást csinálnak. Ez az útmutató elmagyarázza, mit, egyenletek nélkül.
A dal egy kép
A hang hullám: a légnyomás másodpercenként több ezerszer emelkedik és süllyed. Ezzel egy számítógépnek nehézkes dolgozni, így szinte minden szétválasztó rendszer első lépése az, hogy a hangot egy spektrogramnak nevezett képpé alakítja. Az idő balról jobbra halad, a hangmagasság alulról felfelé, a fényesség pedig azt mutatja, mennyi energia van az egyes hangmagasságokon az egyes pillanatokban.
Ezen a képen a hang hullámos vízszintes vonalak sorozatának látszik: egy alaphang és felhangjai, amelyek csúsznak, ahogy az énekes hangról hangra lép. A lábdob egy rövid, függőleges elmosódás az alján. A lábcin finom pára a tetején. A zongoraakkord egyenes vonalak oszlopa, amelyek együtt indulnak és elhalkulnak. A hangszerek átfedik egymást, de alakjuk van, és az alakokat egy neurális hálózat meg tudja tanulni felismerni.
A modell maszkot fest
A hálózat feladata, hogy a mixelt dal spektrogramjából egy második, ugyanolyan méretű képet állítson elő, amelyet maszknak hívunk, és ahol minden képpont megmondja, hogy az adott időben és hangmagasságon lévő energia mekkora része tartozik a hanghoz. Szorozd meg az eredeti képet a maszkkal, és megkapod a hang spektrogramját; szorozd meg az inverzével, és megkapod minden mást. Alakítsd vissza ezeket a képeket hullámokká, és két hangfájlod van.
A stem-szétválasztó ugyanezt többször csinálja végig, egy-egy maszkot készítve az énekre, a dobra, a basszusra, a zongorára és az „egyéb” sávra.
Az újabb modellek egy második nézetet is hozzáadnak: a spektrogram mellett közvetlenül a nyers hullámot is nézik, ami segít az olyan éles tranzienseknél, mint a dobütések, amelyek a spektrogramon elmosódnak. Az eszközökben látható motorok némelyike, például az MDX-Net és a Demucs, főként abban különbözik, hogyan kombinálja ezt a két nézetet, és mekkora.
Hogyan tanulta meg, hogyan néz ki egy hang
Senki nem programozott be olyan szabályokat, mint „a hang felhangjai így helyezkednek el”. A hálózatot több ezer olyan dalon tanították, ahol a különálló sávok elérhetők voltak: egyik oldalon a mix, a másikon az elkülönített ének, dob, basszus és a többi stem. Minden dalnál megtippelt egy maszkot, összehasonlította a tippjét a valódi elkülönített stemekkel, és milliónyi belső számot igazított egy kicsit, hogy legközelebb jobban csinálja. Ismételd ezt hetekig erős hardveren, és az eredmény egy olyan modell, amely gyakorlatilag több többsávos felvételt hallott, mint bármelyik emberi hangmérnök.
Ez a tanítóanyag egyben a korlátainak forrása is. A modell abban a zenében a legjobb, amelyből a legtöbbet hallotta, azaz a modern pop, rock, hiphop és elektronikus zenében, tiszta stúdióprodukcióval.
Miért válik le némelyik dal tisztán, más pedig nem
Zengés és delay. A hangon lévő effektek magából a hangból készülnek, időben elkenve és a teremmel keverve. Ennek az elkenődésnek egy része úgy néz ki, mint az alatta lévő hangszerek, így a modellnek ki kell találnia, hol végződik a hang és hol kezdődik a terem. A száraz ének tisztán leválik; a katedrális méretű zengések szellemet hagynak.
Duplázott és rétegzett ének. A harmóniák, duplázások és egymásra halmozott refrének egy két stemes modell számára mind „hang”, így mind a főénekkel együtt távoznak. Ha meg akarod tartani a harmóniákat, olyan modellre van szükséged, amelyet kifejezetten arra tanítottak, hogy csak a főéneket távolítsa el; ez a „karaoke” modell.
Hangszerként használt hangok. A vocoder, a talk-box vagy egy erősen hangmagasság-eltolt énekvágás alakjában inkább egy szintire hasonlít, mint egy énekesre. Egy része benne marad az instrumentálisban.
Átfedő regiszterek. Egy torzított ritmusgitár és egy női belt a kép ugyanazon területén lakik. Ahol egybeesnek, a maszk kompromisszum.
Lo-fi források. Egy 96 kbps-os stream vagy egy régi kazettaátírás már elvesztette azokat az apró részleteket, amelyekkel a modell a forrásokat megkülönbözteti.
Mit változtatnak valójában a „motor” és a „minőség” beállítások
Az énekeltávolítók általában egy standard motort és egy-két magasabb minőségűt kínálnak. A különbség nem egy szűrő, hanem egy másik, nagyobb modell, néha több modell, amelyek kimenetét átlagolják. A nagyobb modell jobban tippel a kétértelmű képpontoknál, ami kevesebb hangszellemként jelenik meg az instrumentálisban és kevesebb hangszertöredékként az acapellában. Az ára az idő: két nagy modell együttese többszörös időt vehet igénybe a standardhoz képest.
A Mazmazikán a standard motor gyorsan akár öt stemet ad; a High Quality modellek (Best Vocals, Best Instrumental, Karaoke) és az Ultra motor, amely két modellt futtat, és mindkettő legjobb részeit egyesíti, a nagyobb lehetőségek, és az eszköz oldala felsorolja, melyiket tartalmazza a csomagod. Ezeken a motorokon a kimenet bitsebessége is 128-ról 320 kbps-ra nő, ami számít, ha a fájlt nagy rendszeren játsszák le.
Miért tisztább két stem ötnél
Minden további stem egy újabb határ, amelyet a modellnek meg kell húznia. A „hang vagy nem hang” modell egy határt húz, és az instrumentális megőrzi az eredeti mix egységét. Az ötfelé bontó modell négy határt húz, és az egyes határoknál elkövetett kis hibák összeadódnak, amikor a stemeket újra együtt játszod le. Ezért ajánl a karaoke-útmutató két stemet, holott öt is elérhető.
Mire nem képes a modell
Nem tudja kitalálni azt, amit soha nem vettek fel. Ha az énekes lélegzete teljesen elfedett egy halk zongorahangot, az a hang az instrumentálisból hiányozni fog. Nem tud két, azonos fekvésben unisono éneklő énekest két személyre szétválasztani. És nem tudja eltávolítani a szerzői jogot: a leválasztott stemek jogi szempontból továbbra is az eredeti felvételt jelentik, így a közzétételre és előadásra vonatkozó szabályok érvényesek maradnak.
Merre tart a technológia
A kutatási modellek egyre nagyobbak, és ma már több stemmel (például külön célként a gitárral és a zongorával) és több műfajon tanítják őket. Az ingyenes böngészős eszköz és a stúdió-munkaállomás közti szakadék a két stemes leválasztásnál nagyrészt bezárult; a fennmaradó különbségek a szélsőséges esetekben, a sebességben és abban vannak, hogyan enged az eszköz utólag dolgozni az eredménnyel.
Próbáld ki a saját füleddel
Mindezt a leggyorsabban úgy érted meg, ha egy jól ismert dalt átfuttatsz az énekeltávolítón, lenémítod az éneksávot, és fejhallgatóval meghallgatod a refrént. Pontosan az itt leírt jelenségeket fogod hallani: tiszta verzét, halvány szellemet a zengés lecsengésében, és egy refrént, ahol a harmóniák a főénekkel együtt távoztak. Ezután olvasd el az énekeltávolító vs. stem-szétválasztó cikket, hogy eldöntsd, melyik mód illik a következő projektedhez.