Removedor de vocal: tire a voz de qualquer música no navegador

Removedor de vocal, durante muito tempo, era um truque de fase: inverte um canal do estéreo, soma os dois, e o que estava exatamente no centro — quase sempre a voz — some. Só que o bumbo, o baixo e tudo mais que foi mixado no meio somem junto, e é por isso que aquele playback de YouTube soa oco. O SplitVocals não filtra nada. Ele roda o Demucs v4, um modelo de IA treinado para reconhecer a voz cantada como uma fonte própria dentro da mixagem pronta, e reconstrói a voz e o resto da banda como faixas separadas.

Como a voz é separada e não cancelada, o instrumental mantém o grave inteiro e os instrumentos do centro, e a voz sai como um stem que dá para usar. Uma passada entrega os dois: baixe o instrumental, a voz isolada ou todos os stems que o modelo produziu (voz, bateria, baixo e outros — guitarra, teclado, sopros).

As duas páginas rodam a mesma separação; a diferença é para quem cada uma foi escrita. O criador de karaokê é para quem vai cantar por cima do playback hoje à noite. Esta página é para todo o resto: produtor que quer um instrumental limpo de funk ou de pagode para samplear e remixar; quem edita vídeo para o Reels ou o YouTube e precisa da música sem a letra embaixo da narração; DJ de baile montando uma edit que derruba a voz por oito compassos; violonista ou tecladista que quer tocar a melodia do sertanejo por cima da banda original. Se precisa do contrário — só a voz — o extrator de acapella tira isso do mesmo modelo.

O modelo remove toda voz que encontra, principal e backing vocal, então o coro de harmonias vai embora junto com o cantor em vez de ficar no instrumental. O que ele não faz é desfazer a gravação. Um reverb longo ou um delay na voz faz parte da fonte de voz e sai quase todo com ela, mas em mixagem muito molhada pode sobrar um rastro. O caso mais difícil é o de sempre no Brasil: a versão do DVD ao vivo, em que o cantor vaza nos microfones da bateria e a plateia canta o refrão inteiro — e plateia também é voz. Louvor gravado no culto chega no mesmo problema por outro caminho: coral e backing vocal alto na mixagem grudam no instrumental, e áudio captado no celular no meio da igreja não tem separação que salve. Arquivo baixado do YouTube em qualidade baixa ou encaminhado pelo WhatsApp dá ao modelo menos material para trabalhar.

Se o instrumental não sair limpo, comece pela versão de estúdio em vez da ao vivo ou do remaster, e entregue o melhor arquivo que tiver — um WAV ou FLAC em vez de um MP3 de 128k. O HD Pack e o Pro rodam um modelo maior no servidor para as músicas que precisam, com bem menos vazamento.

Cada etapa — decodificar o arquivo, rodar o modelo, mixar o instrumental — acontece dentro da aba do navegador, por WebGPU ou WebAssembly. Nada é enviado, então não existe tempo de upload de um WAV grande (e upload é sempre a metade mais lenta da internet aqui), não existe fila atrás do trabalho dos outros e não existe cobrança por minuto. Dá para conferir: abra a aba Rede das ferramentas de desenvolvedor durante uma separação e não vai aparecer nenhuma requisição levando o seu áudio. Para quem processa no celular com pacote de dados, isso também significa que nenhum megabyte da música sai do aparelho.

A primeira vez baixa o modelo de ~170 MB para o cache do navegador; depois disso, as separações começam na hora, até sem internet. Chrome e Edge usam a placa de vídeo e terminam uma música típica em um a três minutos; Safari e Firefox vão pela CPU, mais devagar, com o mesmo resultado. No celular funciona, mas demora mais que no computador — e vale deixar o modelo baixar no Wi-Fi da primeira vez, para não gastar o pacote de dados com ele.