ByteScope

Vocal Remover

曲を入れると、ボーカルだけのトラックと、ボーカルを抜いた伴奏の 2 本に分かれます。分離モデルは WebGPU でお使いのグラフィックボード上、このタブの中で動くので、曲がアップロードされることはありません。まず 20 秒だけ試聴し、納得したら曲全体を分離して WAV で保存できます。

ファイルはブラウザから送信されません — 処理はすべてローカルで行われます。

WebGPU を確認しています…

曲をここにドロップ、またはクリックして選択

音声ファイルか動画ファイル。アップロードはされません。

できないこと・注意点

  • 分離は完璧ではありません。ボーカルに楽器が、伴奏にコーラスやリバーブが少し残ります。ハモり・合唱・エフェクトの強い声ではとくに残りやすくなります。
  • 初回はモデル約 175 MB とエンジン約 26 MB をダウンロードします。2 回目からはブラウザのキャッシュを使います。
  • 実際のグラフィックボードと WebGPU が必要です。CPU モードはなく、WebGPU がない場合やハードウェアアクセラレーションがオフの場合は開始しません。
  • ピーク時に約 3.5 GB のビデオメモリを使います。4 GB 以下のボードでは失敗することがあります。
  • デスクトップとノートパソコン専用です。スマートフォンとタブレットには対応していません。
  • 分離したトラックの著作権は元の曲のままです。個人の練習の範囲で使い、公開や配布はしないでください。
  • 曲はアップロードされません。デコードも分離もこのタブの中で行います。
モデルのライセンス（HTDemucs、MIT）

HTDemucs（Alexandre Défossez ほか、Meta）。facebookresearch/demucs リポジトリのモデルを ONNX に変換したものです。ライセンス全文：

MIT License

Copyright (c) Meta Platforms, Inc. and affiliates.

Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.

THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.

このツールについて

ボーカル除去は、ミックス済みのステレオ音源をパートごとに分け直す処理です。MP3・M4A・WAV・FLAC・OGG のほか、動画ファイルを入れれば音声トラックを使います。返ってくるのは 2 本：声だけのトラック（アカペラ）と、それ以外すべて（歌える伴奏）です。歌う人はカラオケや歌ってみたの練習に、トラックメイカーはリミックスの素材に、演奏する人は音の詰まったアレンジで何が鳴っているかを聴き取るのに使えます。デコードもモデルの実行もこのブラウザのタブの中、お使いのグラフィックボードで行われ、何もアップロードされません。

分離のしくみ

モデルは HTDemucs（Hybrid Transformer Demucs）。Meta の Défossez らが 2022 年に発表し、MIT ライセンスで公開しているものです。曲を波形とスペクトログラムの両方から読み、Transformer で二つの見方を突き合わせます。中では実はドラム・ベース・ボーカル・その他の 4 つに分けていて、このページではドラム・ベース・その他を足し合わせて伴奏にしています。曲は 44.1 kHz ステレオに変換し、4 分の 1 ずつ重なる 7.8 秒の区間に切って、ONNX Runtime Web で 1 区間ずつ GPU に通し、最後にクロスフェードでつなぐので継ぎ目は出ません。モデルの前後のスペクトログラム計算は Web Worker で動くので、長い曲でもページは固まりません。

まず試聴、それから曲全体

最初のボタンは曲の真ん中あたりの 20 秒を分離します。たいていサビか A メロに当たるので、その曲がどのくらいきれいに分かれるかを、1 分以上かけて全体を処理する前に確かめられます。良さそうなら曲全体を分離しましょう。進み具合には、処理済みの秒数、実時間の何倍の速さか、残り時間が出ます。GTX 1060 クラスのグラフィックボードなら、3 分の曲でおよそ 45 秒です。2 本とも 44.1 kHz・16 ビットのステレオ WAV で、元の曲とまったく同じ長さで保存されます。

仕上がりの目安

分離は完璧ではありません。ボーカルトラックに楽器が少し残ったり、伴奏にコーラスやリバーブが少し残ったりします。とくにハモりが厚い曲、合唱、リバーブ・ディレイ・歪み・オートチューンが強くかかった声は、どこまでが声なのかモデルにも判別しにくく、残りやすくなります。音数の少ないポップスやロックがいちばんきれいに分かれます。BGM つきの話し声にも使えますが、学習しているのは音楽で、ポッドキャストではありません。

必要なパソコン環境

初回だけモデル（約 175 MB）と推論エンジン（約 26 MB、ONNX Runtime Web を jsDelivr CDN から）をダウンロードし、その後はブラウザのキャッシュから読み込みます。モデルは WebGPU で実際のグラフィックボード上でしか動かず、ピーク時に約 3.5 GB のビデオメモリを使うため、4 GB 以下のボードでは失敗することがあります。CPU で動かすモードはありません。CPU では曲の長さの数倍の時間と 3 GB 近いメモリがかかったためです。ブラウザに WebGPU がない場合や、ハードウェアアクセラレーションがオフでソフトウェア描画になっている場合は、処理を始めずにその旨を表示し、確認用に「My Computer Specs」へのリンクを出します。デスクトップ・ノートパソコン向けで、スマートフォンやタブレットには対応していません。

著作権について

分離したトラックも元の曲の一部であり、著作権は元の曲のままです。個人の練習・研究・私的なカラオケの範囲で使ってください。権利者の許可なく公開したり、配布したり、配信サービスや動画サイトにアップロードしたりしないでください。

よくある質問

曲はアップロードされますか？

いいえ。ファイルはこのタブの中でデコードされ、分離はお使いのグラフィックボード上で WebGPU によって行われます。ダウンロードが発生するのは初回のモデルと推論エンジンだけで、音声がブラウザの外に出ることはなく、記録も残りません。

なぜグラフィックボードが必要なのですか？

HTDemucs は大きなネットワークで、モデルファイルだけで約 175 MB あり、音楽 7.8 秒ごとに何十億回もの計算をします。GTX 1060 と WebGPU なら 3 分の曲が約 45 秒ですが、CPU では曲そのものより数倍遅く、3 GB 近いメモリを使いました。タブが固まるだけの CPU モードを用意する代わりに、何が足りないかを表示し、ブラウザとグラフィックボードを確認できる「My Computer Specs」へ案内しています。

スマートフォンで動かないのはなぜですか？

ピーク時にブラウザ本体とは別に約 3.5 GB のビデオメモリが必要で、スマートフォンやタブレットが Web ページに使わせてくれる量を超えます。初回のダウンロードも約 200 MB あります。このページは実際のグラフィックボードを積んだデスクトップやノートパソコン向けで、スマートフォンでは落ちたり極端に遅くなったりする処理を始める代わりに、その理由を表示します。

ダウンロードの大きさと保存場所は？

モデルが約 175 MB、推論エンジンが約 26 MB で、どちらも初回の 1 回だけです。モデルは SHA-256 の指紋で照合してからこのブラウザのキャッシュに保存されるので、次の曲からはダウンロードなしで始まります。ブラウザの設定でこのサイトのデータを消すと削除されます。

伴奏に声が少し残るのはなぜですか？

ミックス済みの音源ではパートが分かれて残っていないからです。リバーブやハモり、エフェクトで声は音全体に広がっていて、モデルはそれぞれの音のどこまでが歌声かを推測するしかありません。厚いコーラス、合唱、リバーブ・ディレイ・オートチューンの強い声ほど残りやすく、すっきりしたアレンジの上のリードボーカルがいちばんきれいに分かれます。曲全体を処理する前に、20 秒の試聴で確かめてください。

ドラムやベース、ほかの楽器も分けられますか？

今はまだできません。モデルの中ではドラム・ベース・ボーカル・その他にすでに分かれていますが、このバージョンで出せるのはボーカルと、残り 3 つを足した伴奏の 2 本です。ドラム・ベース・その他を個別に出してミキサーで調整できる機能は、次のバージョンで予定しています。

分離したトラックを自分の動画や作品に使えますか？

権利者の許可がある場合だけです。分離しても曲の権利者は変わらず、アカペラも伴奏も元の録音の一部のままです。個人の練習・研究・私的なカラオケには問題ありませんが、許諾なしに公開・配布したり、配信サービスや動画サイトにアップロードしたりしないでください。

関連ツール