Qué es
La separación de stems toma una mezcla estéreo terminada y estima las fuentes individuales que la componen: normalmente voces, batería, bajo y todo lo demás. Entra un archivo y salen varios, cada uno con su mejor estimación de una parte de la grabación.
La palabra “estima” cumple una función real en esa frase. Cuando se hizo la mezcla, las pistas separadas se sumaron en dos canales, y sumar es una operación con pérdida e irreversible: con solo la suma, hay infinitas combinaciones que podrían haberla producido. Un separador no deshace la suma. Usa lo que aprendió sobre cómo son y cómo se comportan los instrumentos para producir la descomposición más verosímil, y verosímil no es lo mismo que original.
Esa distinción es toda la diferencia entre lo que la separación puede hacer y lo que la gente espera que haga. Es muy buena, y no es el multipista.
Cómo funciona, a grandes rasgos
La mayoría de los separadores modernos trabajan sobre una representación de tiempo y frecuencia: un espectrograma, que muestra cuánta energía hay en cada frecuencia en cada momento. Una red neuronal, entrenada con muchos miles de canciones de las que se tenían tanto la mezcla como los stems reales, aprende a predecir qué parte de la energía de cada punto pertenece a cada fuente.
Después aplica esa predicción como una especie de máscara, conservando las partes de la mezcla que atribuye a una fuente y suprimiendo el resto, antes de volver a convertirla en audio. Los modelos más nuevos trabajan en parte o del todo directamente sobre la forma de onda, lo que ayuda con la información de fase que un enfoque basado en espectrogramas tiene que reconstruir.
Lo que ha aprendido es, en esencia, una idea muy detallada de cómo es una caja cuando no está sola, de lo que hace una voz a lo largo de una frase y de cómo se reparte la energía del bajo. Nada del proceso consiste en recuperar un archivo que todavía exista en algún lugar. Ese archivo no existe.
¿Dos, cuatro, cinco o seis stems?
Más stems no es mejor, y este es el error más común que comete la gente con estas herramientas.
- Dos stems, voces e instrumental. El resultado más limpio posible, porque el modelo solo tiene que tomar una decisión por cada punto del espectrograma. Si quieres un instrumental o un acapella, pide esto y nada más: nuestro separador de voz hace exactamente esta separación, y escucharla es gratis, así que puedes oír la calidad con tu propia pista antes de decidir nada.
- Cuatro stems, voces, batería, bajo, otros. La separación estándar, y la que vale la pena usar si vas a rehacer una mezcla. “Otros” es un auténtico cajón de sastre: guitarras, teclados, cuerdas y todo lo que no se le pidió al modelo que identificara.
- Cinco stems, añade piano. Útil cuando la pista tiene una parte de piano destacada, y claramente peor cuando no la tiene, porque la salida de piano igual tiene que sacar su material de algún lado y encontrará algo a lo que llamar piano.
- Seis stems, añade guitarra, en las mismas condiciones que el piano: vale la pena cuando la pista tiene una parte de guitarra que necesitas sola, y la salida de guitarra encontrará algo a lo que llamar guitarra cuando no la tiene.
Cada salida adicional es una oportunidad más de que el material vaya a parar al lugar equivocado. Pide el menor número de stems que responda a tu pregunta.
Dónde le cuesta, y por qué
- Colas de reverb. Una voz empapada en reverb es, acústicamente, en parte voz y en parte sala. El modelo tiene que decidir si la cola pertenece al stem de voz, y no hay una respuesta correcta: la reverb quedó grabada sobre la voz, así que las dos respuestas son defendibles y ninguna coincide con lo que imaginabas.
- Compresión de bus intensa. Cuando la mezcla se cohesionó con un compresor sobre todo el conjunto, cada fuente modula el nivel de todas las demás. Las fuentes ya no son independientes, y un separador que da por hecha esa independencia hereda el enredo.
- Medios graves densos. El bajo, el bombo, el piano grave y la parte baja de una guitarra ocupan el mismo territorio. Es justo la zona donde más tiene que trabajar un ingeniero de mezcla humano, y por la misma razón.
- Dobles y paneos abiertos. Una voz doblada y paneada totalmente a izquierda y derecha son dos interpretaciones que el modelo puede tratar como una sola fuente en una posición estéreo extraña.
- Cualquier cosa poco común. Los separadores se entrenan con la distribución de música que se les mostró. Un instrumento poco frecuente en esa distribución (un sitar, un sintetizador inusual, una voz sin formación mal grabada) recibe una estimación peor, porque el modelo tiene menos idea de lo que está mirando.
Los artefactos, cuando aparecen, son reconocibles: una cualidad acuosa, como de phaser, en los agudos; breves burbujeos donde la máscara cambió de golpe entre una trama y la siguiente; y el sangrado, en el que un leve fantasma de una fuente ronda el stem de otra.
Cómo juzgar un separador
No lo pruebes con una canción que se separa fácilmente. Las grabaciones con pocos elementos, una voz clara y un arreglo sencillo hacen que cualquier herramienta parezca excelente, y precisamente por eso las usan las demostraciones.
Pruébalo con los casos difíciles, y presta atención a cosas concretas:
- Escucha cada stem en solo y busca lo que no debería estar ahí. El sangrado es el fallo más común y el más fácil de oír por separado.
- Vuelve a sumar los stems y compara el resultado con el original. Deberían sumar algo muy parecido a lo que tenías al principio. Si ha desaparecido material, la herramienta descartó lo que no pudo clasificar.
- Revisa la frecuencia de muestreo de lo que te devuelve. Algunas herramientas separan internamente a 44,1 kHz sin importar lo que les diste, y después convierten el resultado a una frecuencia más alta. El resultado tiene un ancho de banda limitado de una forma que es evidente en un analizador de espectro y sutil en la sala: lo que lo delata es un escalón abrupto donde el contenido simplemente se acaba.
- Escucha las consonantes de la voz y los platillos. Los transitorios de alta frecuencia son donde aparecen primero los artefactos de la máscara.
Para qué la usa de verdad la gente
- Instrumentales y acapellas para tocar en vivo, karaoke o practicar.
- Remixes y samples, donde una parte de batería o de voz utilizable importa más que una fidelidad absoluta.
- Rescatar una mezcla cuando la sesión ya no existe y solo queda la exportación estéreo. Es más común de lo que parece: los discos duros fallan y los estudios cierran.
- Alimentar otros procesos. La separación es el paso que hace posible la espacialización, que necesita fuentes individuales para colocarlas; afinar una voz que solo existe dentro de una mezcla; y tratar un elemento dañado sin tocar el resto.
- Estudiar. Oír cómo se equilibró de verdad un disco que te encanta, una parte cada vez, enseña más que leer sobre ello.
Lo que toca a los derechos
Separar una grabación no crea ningún derecho sobre el resultado. Una voz extraída de un lanzamiento comercial sigue siendo la voz de ese lanzamiento, propiedad de quien fuera su dueño antes de que usaras la herramienta, y usarla en algo que distribuyas necesita el mismo permiso que siempre necesitó.
Vale la pena decirlo claramente porque la tecnología hace que parezca lo contrario. Algo que hiciste con un software en tu propio equipo se siente, intuitivamente, como tuyo. Los derechos de autor no funcionan así, y esa intuición ha acabado con unos cuantos lanzamientos.
Practicar con un disco, aprender de él o hacer algo que nunca vas a distribuir es otra cosa, y en general no hay problema. La línea es la publicación. Nuestra Política de uso aceptable dice dónde la trazamos, y los titulares de derechos pueden escribirnos directamente.
Sigue leyendo