ลองค้นหาคำว่า "ตัดเสียงร้องออกจากเพลง" แล้วคุณจะพบเครื่องมือสองประเภท: โปรแกรมตัดเสียงร้อง (vocal remover) และเครื่องมือแยกสเต็ม (stem splitter) ชื่อฟังเหมือนเป็นเทคโนโลยีสองอย่างที่ต่างกัน แต่จริง ๆ ไม่ใช่ ทั้งคู่ใช้โครงข่ายประสาทเทียมตระกูลเดียวกันที่ฝึกจากงานบันทึกเสียงแบบมัลติแทร็ก ความต่างอยู่ที่สิ่งที่มันส่งออกมาและสิ่งที่มันถูกปรับจูนมาเพื่อทำ การรู้ว่าคุณต้องการแบบไหนช่วยประหยัดเวลาประมวลผลและให้ผลลัพธ์ที่ดีกว่า
ฉบับย่อ
- โปรแกรมตัดเสียงร้อง ให้ไฟล์สองไฟล์: เสียงร้องกับทุกอย่างที่เหลือ มันถูกปรับจูนให้ส่วน "ทุกอย่างที่เหลือ" สะอาดที่สุดเท่าที่จะทำได้ ใช้สำหรับคาราโอเกะ แบ็กกิ้งแทร็ก และอะแคปเปลลา
- เครื่องมือแยกสเต็ม ให้ไฟล์สี่หรือห้าไฟล์: เสียงร้อง กลอง เบส เปียโน และเครื่องดนตรี "อื่น ๆ" ใช้สำหรับรีมิกซ์ แทร็กซ้อมที่คุณปิดเสียงเครื่องดนตรีของตัวเอง และการแกะโน้ต
บริการหลายแห่ง รวมถึง โปรแกรมตัดเสียงร้องของ Mazmazika มีทั้งสองโหมดในหน้าเดียวกัน ดังนั้นคำถามจริง ๆ คือควรเลือกโหมดไหนสำหรับงานนั้น
ทั้งสองอย่างทำงานอย่างไร
เพลงที่เสร็จแล้วคือไฟล์สเตอริโอไฟล์เดียว ไม่มีอะไรในนั้นบอกว่า "ส่วนนี้คือนักร้อง" โมเดลแยกแหล่งเสียงเรียนรู้จากเพลงหลายพันเพลงที่มีแทร็กแยกให้ศึกษา ว่าเสียงร้อง กลอง เบส และคีย์บอร์ดมักจะฟังเป็นอย่างไร: สีสันเสียง ตำแหน่งในสนามสเตอริโอ และวิธีที่มันเคลื่อนไหวไปตามเวลา เมื่อได้รับมิกซ์ใหม่ มันจะทำนายว่าในแต่ละช่วงเวลาและช่วงความถี่เล็ก ๆ พลังงานเสียงมากน้อยแค่ไหนเป็นของแหล่งเสียงใด แล้วประกอบไฟล์เสียงหนึ่งไฟล์ต่อหนึ่งแหล่งเสียงขึ้นมาใหม่จากคำทำนายเหล่านั้น
นั่นคือเหตุผลที่ผลลัพธ์ไม่เคยสมบูรณ์แบบเสียทีเดียว ตรงที่แหล่งเสียงสองอย่างซ้อนทับกันทั้งในเวลาและความถี่ เช่นเสียงร้องผู้หญิงกับกีตาร์แตกในย่านเสียงเดียวกัน โมเดลต้องตัดสินใจ และเสียงหนึ่งจะเล็ดลอดเข้าไปในอีกเสียงหนึ่งเล็กน้อย โมเดลที่ใหญ่กว่าตัดสินใจได้ดีกว่า นั่นคือสิ่งที่เอนจิน "High Quality" และ "Ultra" เป็น
สำหรับคำอธิบายโมเดลแบบภาษาคนทั่วไป ดูที่ การแยกเสียงร้องด้วย AI ทำงานอย่างไรกันแน่
ทำไมสองสเต็มถึงสะอาดกว่าห้าได้
น่าจะคิดง่าย ๆ ว่าห้าสเต็มก็แค่ "มากกว่า" แต่สำหรับเสียงดนตรี มันมักแย่กว่า เมื่อโมเดลแยกออกเป็นห้าทาง มันต้องจัดพลังงานเสียงทุกส่วนลงในหนึ่งในห้าถัง และความผิดพลาดจะสะสม เสียงสแนร์ที่ตกไปอยู่ใน "อื่น ๆ" บางส่วนและใน "กลอง" บางส่วนจะฟังเบลอเล็กน้อยเมื่อเล่นทั้งสองสเต็มพร้อมกันอีกครั้ง แต่เมื่อมันต้องตัดสินใจแค่ "เสียงร้องหรือไม่ใช่เสียงร้อง" ก็มีเส้นแบ่งเพียงเส้นเดียวที่ต้องทำให้ถูก และเสียงดนตรีจะยังคงความกลมกลืนของมิกซ์ต้นฉบับไว้
ดังนั้น สำหรับคาราโอเกะและแบ็กกิ้งแทร็ก ให้เลือกสองสเต็ม สำหรับงานที่คุณต้องการกลองหรือเบสแยกออกมาจริง ๆ ให้เลือกโหมดหลายสเต็มและยอมรับสิ่งแปลกปลอมต่อสเต็มที่มากขึ้นเล็กน้อย
แบบไหนสำหรับงานไหน
คาราโอเกะและซ้อมร้อง โปรแกรมตัดเสียงร้อง สองสเต็ม เก็บเสียงประสานไว้โดยใช้โมเดลที่ตัดเฉพาะเสียงร้องนำ หากเครื่องมือมีให้
อะแคปเปลลาสำหรับรีมิกซ์หรือแมชอัป โปรแกรมตัดเสียงร้อง สองสเต็ม และใช้เอนจินคุณภาพสูงสุดที่คุณมี เพราะอะแคปเปลลาคือสเต็มที่จะถูกได้ยินอย่างเปิดเผยที่สุด
แทร็กซ้อมสำหรับสมาชิกวง เครื่องมือแยกสเต็ม ปิดเสียงสเต็มเบสเพื่อซ้อมเบส ปิดเสียงสเต็มกลองเพื่อซ้อมกลอง และอื่น ๆ ทำนองเดียวกัน มิกเซอร์บนเบราว์เซอร์ ทำสิ่งนี้ได้โดยไม่ต้องใช้ DAW
แกะโน้ตบางแนว เครื่องมือแยกสเต็ม การโซโล่เปียโนหรือเบสทำให้ได้ยินตัวโน้ตชัดขึ้นมาก และการนำผลลัพธ์ไปผ่าน เครื่องวิเคราะห์คอร์ด จะให้เสียงประสานมาเทียบเช็กด้วย
แซมเปิลเบรกกลอง เครื่องมือแยกสเต็ม สเต็มกลอง คาดว่าจะมีเสียงรั่วจากองค์ประกอบเพอร์คัสชันอื่น ๆ เล็กน้อย
รีมิกซ์ทั้งเพลง เครื่องมือแยกสเต็ม ห้าสเต็ม แล้วปฏิบัติต่อแต่ละสเต็มเป็นแทร็กหนึ่งใน DAW ของคุณ ปรับ EQ ใหม่และคอมเพรสแต่ละสเต็มเบา ๆ สเต็มที่แยกออกมาตอบสนองต่อสิ่งนี้ได้ดีและช่วยซ่อนรอยต่อ
คุณภาพ: ควรคาดหวังอะไรจากแต่ละแบบ
ทั้งสองโหมดแข็งแรงที่สุดกับงานสมัยใหม่ที่โปรดิวซ์มาดี และอ่อนที่สุดกับงานบันทึกเสียงที่แน่น ก้อง หรือคุณภาพต่ำ รายละเอียดบางประการ:
- เสียงดนตรี จากโหมดสองสเต็มมักเป็นเอาต์พุตเดี่ยวที่สะอาดที่สุดที่เครื่องมือแยกเสียงใด ๆ ผลิตได้
- อะแคปเปลลา มีสิ่งแปลกปลอมมากที่สุด เพราะเสียงก้องและเอฟเฟกต์ที่อยู่บนเสียงร้องนั้นกำกวมอยู่บางส่วน
- สเต็มกลองโดยทั่วไปยอดเยี่ยม เพราะกลองมีสเปกตรัมที่แตกต่างชัดเจน
- สเต็มเบสดี แต่อาจสลับโน้ตกับย่านต่ำของกลองคิกได้ในมิกซ์ที่เบสหนักมาก
- "อื่น ๆ" คือถังรวมทุกอย่างและคาดเดาได้น้อยที่สุด: กีตาร์ ซินธ์ เครื่องสาย และอะไรก็ตามที่ไม่ธรรมดาจะมาลงรวมกันที่นี่
ฟรีหรือเสียเงิน?
การแยกสองสเต็มด้วยเอนจินมาตรฐานใช้ฟรีบน Mazmazika โดยมีขีดจำกัดความยาวต่อครั้งและโควตารายวัน เอนจิน โมเดล และความยาวแทร็กที่ใหญ่กว่าแบบใดรวมอยู่ในแพ็กเกจฟรี และแบบใดมาพร้อม Pro แสดงแบบสดอยู่บนหน้าโปรแกรมตัดเสียงร้องในส่วน Free vs Pro และหน้าราคาแสดงราคาปัจจุบันเป็นสกุลเงินของคุณ หากคุณทำแทร็กคาราโอเกะหนึ่งเพลงสำหรับงานปาร์ตี้ เส้นทางฟรีก็เพียงพอ แต่สำหรับสเต็มที่คุณจะปล่อยงานหรือเล่นบนเวที เอนจินที่ใหญ่กว่าจะคุ้มค่าตั้งแต่แทร็กแรก
ว่าด้วยวิธีแบบเก่า
ก่อนจะมีการแยกเสียงด้วยโครงข่ายประสาทเทียม มีเทคนิคอยู่สองอย่าง: การหักล้างเฟส ซึ่งลบช่องซ้ายกับช่องขวาออกจากกันเพื่อตัดทุกอย่างที่แพนอยู่ตรงกลาง และการตัดย่าน EQ ซึ่งเจาะเอาช่วงความถี่เสียงร้องออก ทั้งสองวิธีทำลายมิกซ์ทั้งหมด เพราะเบส คิก และสแนร์ก็อยู่ตรงกลางเหมือนกัน และย่านเสียงร้องก็เป็นที่อยู่ของกีตาร์และคีย์บอร์ดด้วย มันยังคงติดมากับ DAW บางตัวและปลั๊กอินฟรี แต่ทุกวันนี้ไม่มีเหตุผลที่จะใช้มันอีกแล้ว
ขั้นตอนถัดไป
- ลองทั้งสองโหมดกับเพลงเดียวกันด้วย โปรแกรมตัดเสียงร้องและเครื่องมือแยกสเต็ม แล้วเปรียบเทียบเสียงดนตรี
- กำลังทำเวอร์ชันคาราโอเกะ? ทำตาม คู่มือคาราโอเกะทีละขั้นตอน
- สงสัยเรื่องโมเดล? อ่าน การแยกเสียงร้องด้วย AI ทำงานอย่างไร