「曲からボーカルを消す」と検索すると、ボーカルリムーバーとステム分離ツールという2種類のツールが見つかります。名前を聞くと別々の技術のように思えますが、そうではありません。どちらもマルチトラック録音で学習した同じ系統のニューラルネットワークを使っており、違いは何を出力するか、そして何に最適化されているかにあります。どちらが必要かを知っておけば、処理時間を節約でき、より良い結果が得られます。
要点
- ボーカルリムーバーは、歌声とそれ以外という2つのファイルを出力します。「それ以外」をできるだけクリーンにするよう最適化されています。カラオケ、バッキングトラック、アカペラに使いましょう。
- ステム分離ツールは、ボーカル、ドラム、ベース、ピアノ、「その他」の楽器という4〜5つのファイルを出力します。リミックス、自分の担当楽器をミュートする練習用トラック、採譜に使いましょう。
Mazmazikaのボーカルリムーバーを含む多くのサービスは、同じページから両方のモードを提供しています。ですから本当の問いは、目的に対してどのモードを選ぶか、ということになります。
どちらも同じ仕組みで動く
完成した曲は、1つのステレオファイルです。その中に「この部分が歌い手です」と示す情報はありません。音源分離モデルは、個別のトラックが入手できる何千曲もの楽曲から、歌声、ドラム、ベース、キーボードがそれぞれどう聴こえる傾向にあるか、つまり音色、ステレオ空間での位置、時間とともにどう変化するかを学習します。新しいミックスを与えられると、時間と周波数の細かな区画ごとに、そのエネルギーのどれだけが各音源に属するかを予測し、その予測から音源ごとに1つの音声ファイルを再構築します。
だからこそ、結果は決して完璧にはなりません。たとえば同じ音域にある女性の歌声と歪んだギターのように、2つの音源が時間と周波数の両方で重なる場所では、モデルが判断を下さなければならず、一方の一部が他方に混ざり込みます。より大きなモデルほど判断が正確になります。それが「High Quality」や「Ultra」といったエンジンの正体です。
モデル自体についての分かりやすい解説は、AIボーカル分離の本当の仕組みをご覧ください。
2ステムが5ステムよりクリーンになりうる理由
5ステムのほうが単純に「多くて得」だと考えたくなりますが、インストゥルメンタルにとってはむしろ悪くなることが多いのです。モデルが5分割するときは、あらゆるエネルギーの断片を5つの箱のいずれかに振り分けなければならず、誤差が積み重なります。スネアの一打が一部「その他」に、一部「ドラム」に振り分けられると、その2つを再び一緒に鳴らしたときにわずかにぼやけて聴こえます。「歌声か、歌声でないか」だけを判断すればよい場合、正しく引くべき境界線は1本だけで、インストゥルメンタルには元のミックスの一体感が残ります。
ですから、カラオケやバッキングトラックには2ステムを選びましょう。ドラムやベースを単独で本当に必要とする用途には、マルチステムモードを選び、ステムごとに多少のアーティファクトが増えることを受け入れてください。
用途別の選び方
カラオケと歌の練習。 ボーカルリムーバー、2ステム。ツールにリードボーカルのみを取り除くモデルがあれば、それを使ってハーモニーを残しましょう。
リミックスやマッシュアップ用のアカペラ。 ボーカルリムーバー、2ステム。使える中で最高品質のエンジンを選びましょう。アカペラは最も裸の状態で聴かれるステムです。
バンドメンバー向けの練習用トラック。 ステム分離ツール。ベースを練習するならベースステムを、ドラムを練習するならドラムステムをミュートする、という具合です。ブラウザ上のミキサーなら、DAWなしでこれができます。
パートの採譜。 ステム分離ツール。ピアノやベースをソロにすると音がはるかに聴き取りやすくなり、結果をコード解析ツールに通せば、照らし合わせるためのハーモニーが得られます。
ドラムブレイクのサンプリング。 ステム分離ツール、ドラムステム。他のパーカッシブな要素が多少混ざることは想定しておきましょう。
曲全体のリミックス。 ステム分離ツール、5ステム。それぞれのステムをDAWのトラックとして扱います。各ステムに軽くEQとコンプレッションをかけ直しましょう。分離したステムはこの処理に良く反応し、つなぎ目が隠れます。
品質：それぞれに期待できること
どちらのモードも、現代的でしっかり制作された楽曲に最も強く、密度が高い録音、残響の多い録音、ローファイな録音に最も弱いです。具体的には次のとおりです。
- 2ステムモードのインストゥルメンタルは、通常、あらゆる分離ツールが生み出す出力の中で最もクリーンなものです。
- アカペラはアーティファクトが最も多く含まれます。歌声にかかっていたリバーブやエフェクトは、どちらに属するか判断が曖昧になるためです。
- ドラムステムは概して優秀です。ドラムはスペクトル上で他と区別しやすいからです。
- ベースステムは良好ですが、ベースが非常に重いミックスでは、キックの低域と音を取り違えることがあります。
- 「その他」は受け皿であり、最も予測しにくいステムです。ギター、シンセ、ストリングス、そして珍しい音はすべてここにまとめて入ります。
無料か有料か
標準エンジンによる2ステム分離は、Mazmazikaでは無料で使えます。ただし1回あたりのトラック長の上限と1日の利用枠があります。より大きなエンジン、モデル、トラック長のうち、どれが無料プランに含まれ、どれがProに付くかは、ボーカルリムーバーのページの「無料 vs Pro」にリアルタイムで表示され、料金ページではお住まいの通貨での現在の価格を確認できます。パーティー用にカラオケトラックを1曲作るだけなら無料の範囲で十分です。リリースしたりステージで流したりするステムなら、大きなエンジンは最初の1曲で元が取れます。
昔の手法について
ニューラル分離が登場する前には、2つの裏技がありました。左右のチャンネルを引き算して中央に配置されたものを消す位相キャンセルと、歌声の周波数帯を削り取るEQのノッチです。どちらもミックス全体を傷めます。ベース、キック、スネアも中央にあり、歌声の音域にはギターやキーボードも存在するからです。これらは今でも一部のDAWや無料プラグインに組み込まれていますが、現在ではあえて使う理由はありません。
次のステップ
- ボーカルリムーバー兼ステム分離ツールで同じ曲を両方のモードで試し、インストゥルメンタルを比べてみましょう。
- カラオケ版を作るなら、ステップ別カラオケガイドに従ってください。
- モデルの仕組みが気になる方は、AIボーカル分離の仕組みをお読みください。