コンテンツへスキップ
StemStudio

ブラウザ内で完結

音源分離・楽器分離 — ブラウザだけで、すぐに。

入力

音源ファイルをドラッグ＆ドロップ

またはクリックして選択

音声（MP3・WAV・M4A・AAC・FLAC・OGG・Opus・AIFF ほか）／動画（MP4・MOV・AVI・WebM・MKV）の音声も可

分け方は6通り

  • Fast一番速い。スマホでも動くボーカル＋伴奏
  • 4stem Fast軽いまま4パートに。スマホでも動くボーカル・ドラム・ベース・その他
  • Standard迷ったらこれ。品質と手軽さの両立ボーカル＋伴奏
  • 4stemバンドのパート単位で分けるボーカル・ドラム・ベース・その他
  • 6stemギターとピアノまで分ける6パート
  • High Quality最高品質。そのぶん時間がかかりますボーカル＋伴奏

音源を置くと、この中から選べます。所要時間の見込みと、端末の記憶容量で動かせないものは、そのとき理由つきで出ます。

結果

ここに、分けたパートが並びますファイルとモデルを決めると、ボーカル・ドラム・ベースなどが別々の音として出てきます。音量を混ぜて、必要なものだけ書き出せます。

ボーカルと伴奏はもちろん、ドラム・ベース・ギター・ピアノまで。最大6パートに分けて、必要なものだけ書き出せます。

スポンサーリンク

できること

6パートまで分けられる
ボーカルと伴奏だけでなく、ドラム・ベース・ギター・ピアノを個別に取り出せます。
登録なしで使える
アカウント登録もアプリのインストールも不要です。ページを開いてファイルを選ぶだけです。
カラオケや耳コピに
ボーカルを抜いて伴奏を作ったり、逆にボーカルだけを取り出したり。練習や制作の下ごしらえに。
書き出す前に試聴・調整
各パートの音量やミュートをその場で試してから、必要なものだけWAVで保存できます。

6ステムとは

1曲を6つのパートに自動で分けることです。それぞれの意味は次のとおりです。

ボーカル
歌声のパート。
ドラム
キック・スネア・ハイハットなどの打楽器。
ベース
低音域の弦楽器パート。
ギター
エレキ・アコースティックのギター音。
ピアノ
鍵盤楽器のパート。
その他
上記に当てはまらない楽器・効果音などの伴奏成分。
スポンサーリンク

使い方

  1. ファイルを選ぶ

    MP3・WAV・M4A・FLAC・動画をドラッグ&ドロップ、またはクリックで選択します。

  2. モデルを選ぶ

    迷ったら「おすすめ」のStandardを。急ぐならFast、楽器ごとに分けたいなら4stemか6stemを選びます。

  3. 聴きながら書き出す

    各パートを再生・調整して、必要なものだけWAVで保存します。

分離の仕組み

「ボーカルだけ消す」処理が何をしているのかを、実装に即して説明します。

引き算ではなく、推定している
古くからある方法は、左右のチャンネルを引き算して真ん中の音を消すものでした（センターキャンセル）。これは中央に置かれたボーカルを消しますが、同じく中央にあるキック・スネア・ベースも一緒に消します。ここで動いているのはそれとは別の処理で、学習済みのモデルが「この瞬間のこの周波数は、どのパートにどれだけ属するか」を推定し、その比率で音を配分します。だから伴奏の厚みが残ります。
曲を時間と周波数の格子に開く
音は、短時間フーリエ変換（STFT）で「いつ・どの高さの音が・どれだけ鳴っているか」の格子に開かれます。モデルが判断するのはこの格子の各点で、出てくるのは各パートの取り分（マスク）です。マスクを元の格子に掛け、逆変換で波形に戻すと、そのパートだけの音になります。Fastで使うSpleeterはこの形です。Standard以上で使うhtdemucsは、変換をモデルの内側に持っていて、波形をそのまま受け取って波形を返します。
端末の中で、少しずつ処理する
モデルはONNXという形式に変換してあり、ONNX Runtime Web が実行します。WebGPUに対応した環境ではGPUで、そうでなければCPUで動きます。処理は画面とは別のワーカーで走らせ、さらに曲を短い区間に切って「変換→推定→戻す」を繰り返します。曲全体を一度に展開しない作りにしているのは、3分の曲でも1GB近い作業領域が必要になり、実際にそれで落ちていたためです。
足し戻しても元には戻らない
分離は推定なので、6つのパートを足し合わせても元のファイルと同一にはなりません。聞いた印象は同じ曲ですが、波形としては推定の誤差が残ります。元の音そのものが必要な場面では、分離した結果を足し戻すのではなく、元のファイルを使ってください。
モデルは一度だけ取りに行く
AIモデルの本体は、当サイトのサーバーではなく配布元（Hugging Face）からブラウザへ直接ダウンロードされます。1つあたり約20MB〜260MBで、一度取得すればブラウザのキャッシュに残るため、次回からは待ち時間がありません。保存量の確認と削除は、プライバシーポリシーのページからできます。

よくある質問

料金や登録は必要ですか？
かかりません。アカウント登録なしでそのままお使いいただけます。
選んだ曲はどこかに送信されますか？
送信されません。分離処理はすべてお使いのブラウザの中で完結します。
対応しているファイル形式は？
MP3・WAV・M4A・AAC・FLAC・OGGと、動画ファイルの音声トラックに対応しています。
モデルはどれを選べばいいですか？
迷ったら「おすすめ」が付いたStandardを選んでください。速さを優先するならFast、ドラムやベースなど楽器ごとに分けたいなら4stemか6stem、時間をかけてでも最高品質にしたいならHigh Qualityです。各カードに、何が出てくるかと所要時間の目安が出ます。
処理にどのくらい時間がかかりますか？
選んだモデルとお使いの端末によって変わります。Fastなら3分の曲が十数秒、Standardは数分が目安です。カードに端末に合わせた目安が出るので、始める前に確認できます。処理中も他の作業は続けられます。
スマートフォンでも使えますか？
使えます。iPhone・AndroidではFastでボーカルと伴奏に分けられます。メモリを多く使うモデルは選べないようになっていて、その理由が画面に出ます。
分離した音が元の曲と少し違って聞こえます。
分離は元のミックスを解体しているのではなく、各パートがどう鳴っていたかを推定しています。推定である以上、元の録音とまったく同じにはなりません。とくに、複数の楽器が同じ高さで同時に鳴っている瞬間は判断が難しく、そこに差が出やすくなります。上のモデル（High Qualityや6stem）ほど差は小さくなりますが、ゼロにはなりません。
途中で処理が止まってしまいます。
多くは端末のメモリ不足です。他のタブを閉じてから試すと通ることがあります。それでも止まる場合は、ひとつ軽いモデル（6stem → 4stem、Standard → Fast）に下げてください。また、長い曲ほど負荷が高くなるので、音声のカット・結合の道具で必要な範囲だけを切り出してから持ち込む方法も有効です。
書き出したファイルはどの形式ですか。MP3にはできますか。
WAV（16bit・ステレオ）で書き出します。圧縮のかかっていない形式なので、DAWやサンプラーにそのまま読み込めます。容量を減らしたい場合やスマートフォンに入れたい場合は、同じサイトのファイル変換でMP3にできます。こちらもブラウザの中で完結するので、アップロードは発生しません。
分離した音源を公開・配布してもいいですか。
元の楽曲の著作権は、分離しても権利者にあるままです。公開・配布・商業利用については、ご自身で権利関係を確認してください。ご自身が権利を持つ音源、権利者から許諾を得た音源、または私的使用の範囲でのご利用をお願いしています。詳しくは利用規約に記載しています。
オフラインでも使えますか。
処理そのものは端末の中で完結していて、音源が外に出ることはありません。モデルも一度取得すれば端末に残ります。ただし分離を始めるたびに、演算エンジンの実行ファイル（数十MB）をネットワークから読み込みます。これは端末に保存していないため、通信が無い状態では分離を開始できません。通信の無い場所でそのまま使えるのは、一度使ったKitの道具のほうです。

ご自身が権利を持つ音源、または利用が許可された音源にのみご利用ください。