AI Stem Splitter
ボーカル、ドラム、ベース、ギターなどを分離。音源をアップロードして各パートを試聴し、WAVでダウンロードできます。完全無料・アカウント登録不要。
ここに音源をドロップ
WAV・MP3・FLAC・M4A・OGG・AIFF・AAC ／ 10分・100 MBまで
処理する権利または許可のある音源をアップロードしてください。
音源は公開されません。結果は24時間以内にダウンロードしてください。その後ファイルは順次自動削除され、学習には使用しません。
一度のアップロードで、8つのパート。
AI音源分離の仕組み
音源分離は、一つにミックスされた録音から、ボーカルや楽器ごとの音声ファイル（ステム）を推定する技術です。このツールはX-LANCEの音源分離モデルを使い、8つの楽器グループを抽出します。中核となるのは、周波数帯域と時間の関係を扱うニューラルネットワーク「BS-RoFormer」です。
1. 音を時間と周波数の情報に変換
まず、短時間フーリエ変換（STFT）で録音を細かな時間区間に分け、各時点にどの周波数の音が含まれるかを調べます。扱うのは音の強さ（振幅）と、波のずれを表す位相の両方です。この情報を複数の周波数帯域に分け、モデルが解析できる特徴に変換します。
2. 音の前後関係と帯域間のつながりを推定
BS-RoFormerは、Attentionという仕組みで時間方向と周波数方向の情報を照合します。ベースとキックのように低音域が重なる音でも、音の立ち上がりや持続、倍音の並び、前後の変化が識別の手がかりになります。モデルはこうした関係から抽出用の複素マスクを推定し、振幅と位相に反映して、逆STFTで音声に戻します。
3. 楽器ごとのモデルで抽出を進める
8つのグループは、それぞれ元のミックスを入力として推定します。ドラム、シンセ、パーカッション、オーケストラでは、最初のモデルの出力を2つ目のモデルに渡し、さらに抽出を行います。ボーカル、ベース、ギター、鍵盤には、それぞれのグループ用のモデルを使います。
4. 区間を重ねてつなぎ、編集用のWAVに
長い録音は10秒単位で処理し、隣り合う区間を2秒重ねます。重なり部分の音量の重みを徐々に切り替えて足し合わせることで、継ぎ目の不連続を抑えます。出力は開始位置とサンプル数をそろえた44.1 kHz・ステレオ・32-bit floatのWAVです。各パートへの個別の音量正規化は行わず、DAWの同じ位置に並べて編集できます。
分離した音源の使い方
ファイルをアップロードすると、AIが楽器ごとの音を推定します。各パートを試聴したり、DAWに取り込んだりできます。編曲の研究、演奏パートの確認、自分の録音の編集に。
分離の品質と利用について
同じタイミング・音域で鳴る楽器、強い歪み、広がったリバーブは、音の所属を判断しにくくする要因です。そのため、別の楽器の音が残る「漏れ」や、抽出したい音の欠落、にじみが生じることがあります。鍵盤とシンセなど分類の境界も曖昧で、各グループは独立した推定のため、8本を足しても元のミックスと完全には一致しません。ソロでの確認に加え、使いたい組み合わせでも試聴して判断してください。
分離しても、元の録音や楽曲の権利が新たに付与されるわけではありません。権利者が認める範囲で利用してください。このツールは新たな演奏の作成や権利処理を行うものではありません。
ファイルの保存と削除
音源はModalで処理し、非公開のGoogle Cloud Storageに一時保存します。同じブラウザから24時間アクセスでき、その後順次自動削除します。完了済みファイルは今すぐ削除することもできます。学習には使用しません。ブラウザのCookieとハッシュ化したネットワーク識別情報を、結果の保護と同時リクエストの抑制に利用します。