Czym jest
Separacja stemów bierze gotowy miks stereo i szacuje poszczególne źródła, które się na niego złożyły: zwykle wokal, perkusję, bas i całą resztę. Wkładasz jeden plik, a dostajesz kilka stemów (osobnych ścieżek), z których każdy zawiera najlepsze przypuszczenie co do jednej części nagrania.
Słowo „szacuje” wykonuje w tym zdaniu prawdziwą pracę. Gdy powstawał miks, osobne ślady zostały zsumowane do dwóch kanałów, a sumowanie to operacja stratna i nieodwracalna: jeśli ma się tylko sumę, istnieje nieskończenie wiele kombinacji, które mogły ją dać. Separator nie cofa sumowania. Wykorzystuje to, czego się nauczył o tym, jak instrumenty wyglądają i jak się zachowują, żeby wytworzyć najbardziej prawdopodobny rozkład: a prawdopodobny to nie to samo co oryginalny.
To rozróżnienie stanowi całą różnicę między tym, co separacja potrafi, a tym, na co ludzie liczą. Jest bardzo dobra, ale to nie są oryginalne ślady.
Jak to działa, w przybliżeniu
Większość nowoczesnych separatorów pracuje na reprezentacji czasowo-częstotliwościowej: spektrogramie, który pokazuje, ile energii jest w każdej częstotliwości w każdej chwili. Sieć neuronowa, trenowana na wielu tysiącach utworów, dla których dostępne były zarówno miks, jak i prawdziwe stemy, uczy się przewidywać, która część energii w każdym punkcie należy do którego źródła.
Potem stosuje tę predykcję jako swego rodzaju maskę: zachowuje części miksu, które przypisuje danemu źródłu, a resztę tłumi, i dopiero wtedy przekształca wynik z powrotem w dźwięk. Nowsze modele pracują częściowo albo całkowicie bezpośrednio na przebiegu, co pomaga z informacją o fazie, którą podejście oparte na spektrogramie musi odtworzyć.
To, czego sieć się nauczyła, to w gruncie rzeczy bardzo szczegółowe wyczucie tego, jak wygląda werbel, gdy nie jest sam, co głos robi w trakcie frazy i jak rozkłada się energia basu. Nic w tym procesie nie polega na odzyskiwaniu pliku, który gdzieś jeszcze istnieje. Takiego pliku nie ma.
Dwa, cztery, pięć czy sześć stemów?
Więcej stemów nie znaczy lepiej: i to najczęstszy błąd, jaki ludzie popełniają przy tych narzędziach.
- Dwa stemy, wokal i instrumental. Najczystszy możliwy wynik, bo model musi podjąć tylko jedną decyzję w każdym punkcie spektrogramu. Jeśli chcesz instrumental albo acapellę, proś o to i o nic więcej: nasze darmowe narzędzie do usuwania wokalu robi dokładnie taki podział, więc możesz usłyszeć jakość na własnym utworze, zanim cokolwiek zdecydujesz.
- Cztery stemy, wokal, perkusja, bas i „Pozostałe”. Standardowy podział i ten, którego warto użyć, jeśli odbudowujesz miks. „Pozostałe” to naprawdę worek na wszystko: gitary, klawisze, smyczki i wszystko, czego model nie miał rozpoznawać.
- Pięć stemów, dochodzi pianino. Przydatne, gdy utwór ma wyraźną partię pianina, i wręcz szkodliwe, gdy jej nie ma, bo część modelu odpowiedzialna za pianino i tak musi skądś wziąć materiał i znajdzie coś, co nazwie pianinem.
- Sześć stemów, dochodzi gitara, na tych samych zasadach co pianino: warto, gdy utwór ma partię gitary, której potrzebujesz osobno, a gdy jej nie ma, część modelu odpowiedzialna za gitarę znajdzie coś, co nazwie gitarą.
Każde dodatkowe wyjście to kolejna okazja, żeby materiał trafił w niewłaściwe miejsce. Proś o najmniejszą liczbę stemów, która odpowiada na twoje pytanie.
Z czym sobie nie radzi i dlaczego
- Ogony pogłosu. Wokal utopiony w pogłosie to akustycznie po części wokal, a po części pomieszczenie. Model musi zdecydować, czy ogon należy do stemu wokalu, i nie ma tu poprawnej odpowiedzi: pogłos został utrwalony na wokalu, więc obie odpowiedzi da się obronić i żadna nie odpowiada temu, co sobie wyobrażasz.
- Mocna kompresja na busie. Gdy miks został sklejony kompresorem na całości, każde źródło moduluje poziom każdego innego. Źródła nie są już niezależne, a separator, który zakłada niezależność, dziedziczy to splątanie.
- Gęsty niski środek. Bas, stopa, niskie rejestry pianina i dół gitary zajmują to samo terytorium. To dokładnie ten obszar, w którym realizator miksu musi się najbardziej napracować: i z tego samego powodu.
- Duble i szeroka panorama. Wokal zdublowany i rozstawiony skrajnie w lewo i w prawo to dwa wykonania, które model może potraktować jako jedno źródło w dziwnym miejscu obrazu stereo.
- Wszystko, co nietypowe. Separatory są trenowane na rozkładzie muzyki, którą im pokazano. Instrument rzadki w tym rozkładzie (sitar, nietypowy syntezator, nieszkolony głos źle nagrany) dostaje gorsze oszacowanie, bo model ma mniejsze pojęcie, na co patrzy.
Artefakty, gdy się pojawiają, są rozpoznawalne: wodnisty, fazujący charakter w górze pasma; krótkie bulgotanie tam, gdzie maska gwałtownie zmieniła się między ramkami; i przecieki, gdy słaby cień jednego źródła nawiedza stem innego.
Jak ocenić separator
Nie testuj go na utworze, który łatwo się rozdziela. Oszczędne nagrania z wyraźnym wokalem i prostą aranżacją sprawiają, że każde narzędzie wypada znakomicie: i właśnie dlatego używa się ich w prezentacjach.
Testuj na trudnych przypadkach i słuchaj konkretnych rzeczy:
- Puść każdy stem solo i słuchaj tego, czego nie powinno tam być. Przecieki to najczęstsza usterka i najłatwiej ją usłyszeć w izolacji.
- Zsumuj stemy z powrotem i porównaj z oryginałem. Razem powinny dać coś bardzo bliskiego temu, od czego zaczynasz. Jeśli część materiału zniknęła, narzędzie odrzuciło wszystko, czego nie umiało sklasyfikować.
- Sprawdź częstotliwość próbkowania tego, co dostajesz. Niektóre narzędzia wewnętrznie rozdzielają w 44,1 kHz bez względu na to, co dostały, a potem robią upsampling. Wynik ma ograniczone pasmo w sposób, który na analizatorze widma jest oczywisty, a w pomieszczeniu subtelny: zdradza go twarda półka, na której zawartość po prostu się kończy.
- Słuchaj spółgłosek wokalu i talerzy. Transjenty w wysokich częstotliwościach to miejsce, w którym artefakty maskowania pojawiają się najpierw.
Do czego ludzie naprawdę jej używają
- Instrumentale i acapelle do występów na żywo, karaoke albo ćwiczeń.
- Remiksowanie i samplowanie, gdzie użyteczna partia bębnów albo wokalu liczy się bardziej niż pełna wierność.
- Ratowanie miksu, gdy sesja przepadła i zostało tylko zgranie. Zdarza się to częściej, niż się wydaje: dyski twarde się psują, a studia się zamykają.
- Przygotowanie do dalszej obróbki. Separacja to krok, który umożliwia umieszczenie dźwięku w przestrzeni, wymagające osobnych źródeł do rozmieszczenia; strojenie wokalu, który istnieje tylko wewnątrz miksu; i naprawę jednego uszkodzonego elementu bez ruszania reszty.
- Nauka. Słuchanie, część po części, jak naprawdę zbalansowano płytę, którą kochasz, uczy więcej niż czytanie o tym.
Kwestia praw
Rozdzielenie nagrania nie tworzy żadnych praw do wyniku. Wokal wyodrębniony z komercyjnego wydania to nadal wokal z tego wydania, należący do tego, kto był jego właścicielem, zanim uruchomiono narzędzie, a wykorzystanie go w czymś, co rozpowszechniasz, wymaga tej samej zgody co zawsze.
Warto to powiedzieć wprost, bo technologia sprawia, że wydaje się inaczej. Coś zrobione oprogramowaniem na własnym komputerze intuicyjnie wydaje się twoje. Prawo autorskie tak nie działa, a ta intuicja zakończyła już niejedno wydawnictwo.
Ćwiczenie na płycie, uczenie się z niej albo tworzenie czegoś, czego nigdy nie rozpowszechniasz, to inna sprawa i co do zasady nie stanowi problemu. Granicą jest publikacja. Nasze Zasady korzystania mówią, gdzie ją wyznaczamy, a właściciele praw mogą się z nami skontaktować bezpośrednio.
Czytaj dalej