Ultimate Vocal Remover online: a alternativa que roda no seu navegador

O Ultimate Vocal Remover, que aparece nos tutoriais do YouTube como UVR ou UVR5, é um programa de código aberto para Windows, macOS e Linux. Ele é uma interface para uma prateleira de modelos de separação: MDX-Net, as redes próprias da arquitetura VR, o Demucs da Meta e, mais recentemente, a família RoFormer. Você escolhe um modelo, ou um conjunto de vários, e ele roda na sua máquina: rápido se houver uma placa NVIDIA recente, devagar em qualquer notebook comum. Boa parte dos vídeos em português ensinando a tirar a voz de uma música é, na prática, tutorial de UVR.

O que o UVR não tem é um site. Os desenvolvedores publicam um programa para baixar e instalar, não uma página para abrir. Todo site que anuncia "Ultimate Vocal Remover online" é um terceiro que pegou alguns dos mesmos modelos públicos, colocou num servidor e acrescentou um formulário de upload, uma fila e uma cota. Alguns funcionam bem. Nenhum deles é o UVR, e todos ficam com a sua música pelo tempo que quiserem.

No Brasil isso pesa mais do que parece. Instalar o UVR num notebook sem placa de vídeo dedicada significa esperar dez, quinze minutos por música, e quem tenta o caminho "online" descobre que a fila é longa e o upload de um WAV de 50 MB numa conexão residencial demora mais que a própria separação. É exatamente para esse cenário que uma separação que roda no navegador faz sentido.

A separação em si é o mesmo tipo de trabalho. O SplitVocals roda o Demucs v4, o modelo híbrido com transformer que o UVR oferece na aba Demucs, convertido para rodar pela WebGPU na sua placa de vídeo ou por WebAssembly no processador quando a WebGPU não está disponível. As quatro faixas que ele devolve (voz, bateria, baixo e outros) são as mesmas quatro da opção Demucs do UVR. O modelo é baixado uma vez, cerca de 170 MB, e fica no cache do navegador; a música que você solta na página é decodificada e separada no seu aparelho e não vai para lugar nenhum. Num notebook comum sem placa dedicada ele usa o processador e demora mais, mas termina; num Mac com chip Apple ou num notebook gamer ele usa a placa e resolve uma música de rádio em poucos minutos. Não é preciso saber o que é CUDA, escolher versão de driver nem baixar modelo separado, que é onde a maioria dos tutoriais de instalação do UVR em português empaca.

O que muda é tudo em volta do modelo. O UVR entrega um cardápio com dezenas de redes, modos de conjunto que rodam várias e fazem a média, e ajustes de segmento, sobreposição e pós-processamento. Esta página entrega um modelo de navegador com configuração sensata e um botão. Para as músicas em que um modelo de navegador não dá conta, o HD Pack e o Pro rodam um modelo de voz maior da família RoFormer mais o Demucs de seis faixas num servidor com GPU e devolvem WAV ou FLAC; é o único caso em que um arquivo sai do seu aparelho, e ele é apagado cerca de uma hora depois. Na prática, o HD é para a música que o navegador não limpou: o refrão de um DVD ao vivo com o coro da plateia, uma gravação de culto com o teclado vazando no microfone da voz, um funk com a voz cheia de efeito. Para o playback do fim de semana, o modelo do navegador costuma bastar.

Se você tem uma placa NVIDIA recente e separa áudio todo dia, instale o UVR. Os conjuntos dos melhores modelos de voz dele ainda ganham de uma passada única do Demucs nas vozes mais difíceis, ele tem redes especializadas para tarefas que um separador geral não faz (tirar reverb, tirar eco, separar a voz principal do backing vocal) e ele processa uma pasta com duzentos arquivos durante a noite sem precisar de aba de navegador aberta. Quem produz sertanejo ou funk em estúdio e entrega stems toda semana está nesse grupo, assim como o DJ que monta set de baile com dezenas de acapellas por mês e já tem uma máquina montada para isso. Para esse perfil, o navegador é o quebra-galho de quando se está longe do estúdio, não a ferramenta principal.

A maioria de quem procura UVR online não está nessa situação. É a pessoa que precisa de um playback para o culto de domingo, o ministério de louvor da igreja montando o repertório, quem vai cantar num casamento e recebeu a música pelo WhatsApp, o professor de violão que quer o instrumental de uma música de forró para o aluno acompanhar. Essas pessoas têm uma música para resolver hoje, um notebook sem placa de vídeo ou um celular, e nenhuma vontade de instalar dois gigabytes de programa. Um Mac com chip Apple ou qualquer notebook Windows recente com GPU roda pela WebGPU em um a três minutos por música; máquinas mais antigas vão pelo processador e só demoram mais.

Vale dizer com clareza a questão da privacidade. Os serviços de "UVR online" e o programa de computador estão em pontas opostas: um sobe tudo, o outro não sobe nada. A separação no navegador fica do lado do programa de computador nessa linha, com a comodidade do outro lado. Quem grava demo ou ensaio no celular e não quer o arquivo circulando por servidor nenhum tem aqui o mesmo sigilo que teria instalando o UVR.

Solte um arquivo na caixa acima: MP3, WAV, FLAC, M4A, OGG, AAC ou WebM, até 50 MB ou 10 minutos. A primeira vez baixa o modelo; as seguintes começam na hora, até sem internet. Baixe as faixas conforme ficam prontas ou todas as quatro de uma vez. Prefira a versão de estúdio à gravação do DVD ao vivo, e um arquivo sem compressão quando tiver: as duas coisas importam mais do que a ferramenta escolhida. Um MP3 baixado do YouTube e repassado pelo WhatsApp já perdeu detalhe que nenhum modelo recupera.

Se a voz voltar com um halo de reverb ou o instrumental ficar com um fantasma do cantor, a música é uma das difíceis. É aí que o nível HD justifica o preço, e é também o ponto em que um conjunto do UVR numa boa GPU faria melhor que um modelo só. Nenhum dos dois desfaz uma gravação ao vivo com a plateia cantando o refrão, coisa comum em DVD de pagode e de sertanejo, nem um MP3 de 128 kbps.

No benchmark padrão de pesquisa, o Demucs v4 fica em torno de 9 dB de relação sinal-distorção, bem acima da geração do Spleeter e perto dos modelos únicos mais fortes que o UVR traz. Os melhores conjuntos do UVR e os modelos de voz RoFormer mais novos pontuam mais alto especificamente em voz, e é por isso que o nível HD daqui usa um modelo RoFormer em vez de um Demucs maior. Para um playback de karaokê, um acapella para montar um mashup ou uma bateria de samba para samplear, o resultado do navegador serve como está; para lançamento comercial, o produtor vai querer a passada HD ou um conjunto no computador, e provavelmente alguma limpeza de qualquer jeito. Um teste honesto para quem quer comparar: pegue uma faixa de pagode com cavaquinho, tantã e coro no refrão, rode aqui e no UVR com o modelo Demucs, e ouça o mesmo trecho nos dois. A diferença entre as ferramentas é menor do que a diferença entre a versão de estúdio e a do DVD ao vivo.