このボーカル除去ツールは、Deezer Research によるオープンソースの音源分離モデル Spleeter を使い、曲をボーカルだけのトラックと、ボーカルを除いたインストの 2 つに分けます。インストはカラオケや練習用の伴奏として、ボーカルトラックはリミックスやカバー、歌詞の聞き取り用のアカペラとして使えます。MP3、WAV、M4A、OGG、FLAC ファイルや動画の音声を読み込め、曲の同じ位置で「原曲」「ボーカル」「インスト」を切り替えて確認してから、どちらも WAV または MP3 でダウンロードできます。
すべての処理はブラウザ内で行われます。最初の分離時に、サイズを表示したうえで、モデル(2 つのネットワーク、合計 39 MB)と、当サイトの他の AI ツールと共用する 24 MB の AI エンジンをダウンロードし、どちらもブラウザにキャッシュされます。その後、最近のノートパソコンで 4 分の曲を分離するのにかかった時間は、ブラウザがグラフィックカード(WebGPU)を使えた場合で 7 秒、プロセッサーだけの場合で 35 秒でした。古いパソコンやスマートフォンではもっと時間がかかります。Spleeter は 2019 年のモデルで、ほとんどのポップス、ロック、ヒップホップをきれいに分離できますが、音が密集したミックスやリバーブの多いミックスでは、インストに声が少し残ります。ステレオの片方のチャンネルをもう片方から差し引く、従来型のカラオケモードもすぐに使えます。AI ではなく音も粗めですが、ダウンロードは不要です。分離後のステムをトリミングするには音声カットを、先に動画から音声を取り出すには動画 MP3 変換をお使いください。
使い方
- 曲や動画をボックスにドロップするか、クリックして選びます。
- 「AI 分離」を選んだままにします(すぐに粗めの結果が欲しい場合は「従来型カラオケ」を選びます)。
- 「分離」をクリックします。初回はモデルがダウンロードされ、その後、曲の各部分の処理状況がプログレスバーで表示されます。
- 再生を押し、「原曲」「ボーカル」「インスト」を切り替えて結果を確認します。
- WAV または MP3 を選び、「ボーカルをダウンロード」または「インストをダウンロード」をクリックします。
よくある質問
曲のボーカルを無料で消すには?
このページで曲を開き、「AI 分離」を選んだまま「分離」をクリックします。Spleeter モデルがブラウザ内で曲をボーカルとインストに分けるので、インストを WAV または MP3 でダウンロードしてください。アカウント登録、透かし、月間の利用制限はなく、最長 10 分の曲に対応しています。
本当に AI ですか?どのモデルを使っていますか?
既定の方式は Spleeter 2-stem です。Deezer Research が MIT ライセンスで公開している U-Net ニューラルネットワークで、スタジオのマルチトラック録音で学習し、スペクトルのどの部分が声に属するかを予測します。ここでは onnxruntime-web で実行しています。「従来型カラオケ」のオプションは AI ではありません。右チャンネルを左チャンネルから差し引き、正確に中央にミックスされた音を取り除く方式です。
インストにボーカルが少し残るのはなぜですか?
完璧な分離ツールはありません。Spleeter(2019 年)は HTDemucs や MDX-Net などの最新モデルより軽量です。最新モデルは数倍の大きさ(HTDemucs は 1 ファイルで約 180 MB)があり、Web ページでダウンロードして快適に動かすには重すぎます。リバーブの多い曲、合唱、ディストーションギターの曲ではボーカルがかすかに残り、ボーカルトラックには息っぽい音や位相がずれたようなノイズが出ることがあります。それでも、カラオケや練習には通常十分な品質です。
ドラム、ベース、その他の楽器も分離できますか?
現時点ではできません。このページで分離できるのは、ボーカルとインストの 2 つのステムです。4 ステムのモデル(ボーカル、ドラム、ベース、その他)はダウンロード量が 2 倍以上になるため、ここではブラウザ版を提供していません。
曲はサーバーにアップロードされますか?
いいえ。モデルファイルはこのサイトからブラウザにダウンロードされ、曲はお使いの端末上で処理されます。開いたものがどこかに送信されることはありません。ブラウザ単体では読めない珍しいファイル形式は ffmpeg でデコードします。ffmpeg も(jsDelivr CDN から)ダウンロードされ、ローカルで動作します。
分離したトラックは自由に使えますか?
曲を分離しても、権利者が変わるわけではありません。練習、自宅でのカラオケ、アレンジの研究などは一般的に問題ありませんが、他人の録音から作ったリミックス、カバー、伴奏音源を公開・販売するには、権利者の許可が必要です。
AI 分離と従来のカラオケ手法の違い
従来の方法は、曲のミックスの仕方を利用しています。リードボーカルは通常ちょうど中央に配置されるため、左右のチャンネルで同一になり、片方のチャンネルからもう片方を差し引くと打ち消されます。ただし、中央にあるほかの音(ベース、キックドラム、スネア、多くの場合リード楽器)も同様に消えてしまうため、このツールでは 120 Hz 未満のベースを戻しています。残るのは左右に振られていた音と、ボーカルのステレオリバーブが幽霊のようなエコーとして残ったものです。即座に処理でき、ダウンロードも不要ですが、ステレオファイルでしか機能せず、ボーカルトラックは得られません。
Spleeter の仕組みは異なります。曲をスペクトログラム(23 ミリ秒ごとの各周波数の音量)に変換し、スタジオのマルチトラックで学習した 2 つのニューラルネットワークが、各点のどれだけが声で、どれだけが伴奏かを推定します。その推定値をソフトマスクとして元の音に適用するため、インストにはベース、ドラム、中央の楽器が残り、ボーカルだけのトラックも得られます。
ブラウザ版のしくみ
モデルは一度に約 12 秒分を処理するため、曲は重なり合う部分に分けて処理されます。2 つの部分が重なる箇所ではマスクをクロスフェードするため、つなぎ目は聞こえません。Spleeter のネットワークが扱うのは 11 kHz までの周波数で、それより上は各瞬間のマスクの平均を使います。そのため、シンバルや歯擦音はカットされず、ステム間で分け合われます。インストは原曲からボーカルを差し引いたもので、2 つのマスクの合計は常に全体と一致するため、正確です。
ネットワークはバックグラウンドのワーカーで onnxruntime-web により実行されます。対応ブラウザ(現行の Chrome や Edge など)では WebGPU を通じてグラフィックカード上で、それ以外では WebAssembly を通じてプロセッサー上で動作します。どちらも結果は同じで、違うのは速度だけです。
よりきれいに分離するコツ
• できるだけ高品質な音源から始めましょう。WAV、FLAC、320 kbps の MP3 は、低ビットレートのファイルよりきれいに分離できます。低ビットレートでは圧縮ノイズがモデルを混乱させます。
• カラオケなら、インストに少し声が残っていても、上から歌えば気になりません。痕跡が最も聞こえやすい、静かな部分を確認しましょう。
• アカペラの場合、ボーカルトラックにドラムの音やギターが少し入ることがあります。トリミングするか、音声編集ソフトでその部分の音量を下げてください。
• 10 分を超える曲は、先に音声カットで分割できます。
