Eliminador de Voz y Creador de Karaoke

¿Qué es la separación de voz?

La separación de voz (también llamada eliminación de voz o separación de pistas) es el proceso de dividir una canción terminada en dos partes: la voz (canto, rap o habla) y el instrumental (el resto: batería, bajo, guitarras, teclados, sintetizadores). Es la tecnología que hace posible el karaoke sin contratar una banda en directo, y permite a los productores muestrear, remezclar o versionar canciones que nunca se publicaron como pistas separadas.

Hasta finales de la década de 2010 esto requería acceso a las pistas multipista originales del estudio (algo muy raro) o trucos de cancelación de fase que solo funcionaban con grabaciones mono. Los modelos de IA modernos como demucs aceptan una canción totalmente mezclada como entrada y producen dos pistas limpias, incluso en temas con reverb intensa, compresión side-chain o coros en capas.

Cómo usar esta herramienta

1. Prepara el audio. Cualquier formato común funciona: MP3, WAV, FLAC, OGG, M4A, AAC, OPUS, WMA, AIFF o M4B. La frecuencia de muestreo se normaliza automáticamente; la profundidad de bits se conserva.
2. Suelta el archivo en el cuadro de subida o haz clic para examinar. El nombre del archivo aparecerá debajo del cuadro.
3. Elige un formato de salida. Escoge MP3 para un archivo pequeño que puedas reproducir en cualquier dispositivo, o WAV para un máster sin comprimir adecuado para editar en un DAW.
4. Haz clic en Separar. El navegador sube el archivo a nuestros servidores, donde el modelo de IA (htdemucs_ft) lo procesa. La barra de progreso muestra un paso "cargando el modelo de IA" la primera vez que uses la herramienta, luego "separando voz e instrumental" mientras se analiza la canción. Una canción de 3 minutos tarda típicamente entre 60 y 180 segundos.
5. Descarga el ZIP. Cuando termine, haz clic en Descargar ZIP (voz + instrumental) para guardar un archivo que contiene las dos pistas. Ambas pistas comparten el tempo y el tono del archivo original: listas para añadirlas directamente a un proyecto.

Consejos para obtener los mejores resultados

• Usa la fuente con la mayor calidad que tengas. Los formatos con pérdida como MP3 a 128 kbps introducen artefactos que la IA no puede deshacer. Una fuente MP3 a 320 kbps, AAC, FLAC o WAV sonará notablemente más limpia.
• Los cortes más cortos se separan más rápido y mejor. Si solo necesitas un estribillo o una estrofa, recorta primero la región en tu DAW; el modelo analiza el archivo completo.
• Mono funciona bien. La mayoría de las mezclas de pop, rock y hip-hop están en estéreo, pero la IA maneja fuentes mono igual de bien.
• La masterización agresiva es tu enemiga. Las pistas afectadas por la guerra de la sonoridad y limitadas con brick-wall pierden las pistas espaciales que el modelo necesita. Una canción mezclada profesionalmente pero sin masterizar suele separarse mucho mejor que la misma canción tras una limitación a -8 LUFS.

Qué significa aquí "instrumental"

demucs htdemucs_ft es un transformador híbrido que divide una canción en cuatro fuentes internas: voces, batería, bajo y otros (guitarras, teclas, sintetizadores, todo lo que no sea voz, batería o bajo). El modo --two-stems vocals que usa esta herramienta devuelve dos pistas:

• Voz — la predicción de voz del modelo.
• Instrumental — la canción original menos la predicción de voz. Se calcula restando las voces de la entrada, por eso el instrumental puede sonar algo "hueco" en algunas frecuencias. Esto es normal y es el mismo compromiso que asume cualquier removedor de voz basado en IA.

Si necesitas pistas más detalladas (solo batería, solo bajo, etc.) el modelo demucs completo las expone como una opción aparte; el modo de dos pistas cubre la mayoría de los flujos de karaoke y remezcla.

Usos habituales

• Pistas de karaoke — mete el instrumental en tu app de karaoke o software de DJ.
• Extracción de acapella para mashups, remezclas y bootlegs.
• Sampling — extrae un loop limpio de voz o instrumental de un tema publicado sin pagar un clearance oficial.
• Práctica y enseñanza — canta con el instrumental y compara tu versión con el acapella original.
• Restauración de audio — aís la voz para limpieza, reducción de ruido o corrección de tono sin tocar la pista de acompañamiento.

Notas técnicas

El modelo se ejecuta solo en CPU en nuestro servidor. La primera petición tras un arranque fresco del contenedor tarda unos 20–30 segundos en cargar los 340 MB de pesos del modelo en memoria; las peticiones siguientes empiezan a procesar de inmediato. Los audios que superen el límite por trabajo (actualmente 50 MB) serán rechazados: divide los archivos largos primero.