Separador de stems: divida qualquer música em 4 faixas no navegador

O SplitVocals usa o Demucs v4, um modelo transformer híbrido treinado para separar música em quatro fontes: voz, bateria, baixo e todo o resto (guitarra, teclado, sopros e o que mais houver — agrupado como "outros"). O modelo analisa a mixagem inteira e reconstrói cada fonte como um áudio próprio, em vez de apenas filtrar faixas de frequência, então instrumentos que se sobrepõem na mesma região saem mesmo assim como stems distintos.

Todo o processo — decodificar o arquivo, rodar o modelo e codificar a saída — acontece na sua própria CPU ou GPU, via WebAssembly ou WebGPU. Não tem servidor no meio, então não tem etapa de upload nem fila.

Produtor e DJ tiram a bateria ou o baixo de uma referência para montar mashup, ou levantam o acapella para jogar por cima de outra base — é assim que boa parte do remix de funk e de sertanejo é montada hoje. Beatmaker garimpa uma linha de instrumento num disco antigo para virar sample. Quem grava cover em casa refaz só uma camada a partir dos stems, sem regravar a faixa inteira. E quem toca em bloco ou em banda de sopro tira o arranjo de uma música que nunca teve partitura publicada: com o stem de "outros" isolado, dá para pegar cada naipe de ouvido sem a voz e a bateria por cima.

Como os arquivos que saem são seus, dentro dos direitos que você tem sobre o original, eles entram direto num projeto de DAW — Ableton, FL Studio, Reaper, o que você já usa.

Comece pela fonte. Na prática, a maior parte dos arquivos que chegam a um separador de stems por aqui é MP3 rippado do YouTube, e é ali que a separação já começa perdendo: o que o YouTube jogou fora não volta. Um WAV, um FLAC ou pelo menos um MP3 de 320 kbps dão ao modelo bem mais detalhe para trabalhar.

Depois vem o arranjo. Pagode com cavaquinho, tantã e surdo disputando a mesma faixa de médios, ou forró com sanfona por cima da zabumba, dão mais trabalho do que um arranjo de estúdio com poucos instrumentos e cada um no seu lugar. Nesses casos espere algum vazamento entre os stems — uma respiração da voz aparecendo em "outros", por exemplo. E gravação de show ao vivo é sempre o pior caso: os microfones pegaram tudo ao mesmo tempo.

Cada stem baixa em WAV ou MP3 320k, e dá para pegar os quatro de uma vez num ZIP.

Os separadores em nuvem quase sempre cobram por minuto de áudio e ainda fazem você esperar a fila de renderização esvaziar. Rodar o modelo no seu próprio hardware tira os dois limites: não tem custo por minuto e o processamento começa no instante em que você solta o arquivo. Num navegador com aceleração de GPU, como Chrome ou Edge, uma música inteira costuma terminar em um a três minutos; Safari e Firefox usam um caminho de CPU mais lento, mas chegam ao mesmo resultado.