Was sind Stems — und lässt sich ein fertiger Song wirklich entmischen?

Stems im eigentlichen Sinn

Ein Stem ist eine gruppierte Teilmischung, die vom Rest getrennt aufbewahrt wird: alle Drums auf einer, alle Stimmen auf einer anderen, und so weiter. Sie existieren, damit Mastering-Ingenieure, Remixer oder Live-Techniker an einem Teil arbeiten können, ohne die übrigen anzufassen.

Echte Stems sind schlicht Dateien, die jemand aufgehoben hat. Wenn Sie sie haben, muss nichts geschätzt werden — sie wurden nie zusammengeführt.

Trennung ist etwas anderes

Ist ein Stück gemischt, sind alle Teile in zwei Audiokanäle summiert worden. Diese Addition ist nicht umkehrbar; die einzelnen Teile existieren nirgendwo mehr in der Datei.

Ein Trennmodell holt sie also nicht zurück. Es schätzt: Wie klang jeder Teil bei dieser Mischung vermutlich für sich allein? Es hat genug Musik gehört, um darin sehr gut zu sein, aber eine Schätzung bleibt es.

Daher der eigentümliche Charakter der Ergebnisse. Einzeln klingen die Teile meist überzeugend, mit einer schwachen Spur der übrigen, und dichte Passagen bekommen etwas Wässriges, Verschmiertes. Das sind keine zu behebenden Fehler — so klingt eine Schätzung.

Was herauskommt

Vier Spuren: Gesang, Schlagzeug, Bass und alles Übrige. Letzteres ist kein Versehen des Modells — es ist die Kategorie für Gitarren, Tasten, Streicher, Synthesizer und alles, was nicht zu den anderen dreien gehört. Trägt ein Klavier Ihren Song, steckt das Klavier in «Übrige».

Jeder Stem hat die volle Länge des Originals und liegt exakt darauf, Sie können sie also in jeden Editor laden und sie sitzen synchron.

Wie gut funktioniert das? Wir haben es gemessen

«Es lief und erzeugte vier Dateien» beweist überhaupt nichts — vier Dateien plausibel klingenden Breis sähen genauso aus. Also bauten wir eine Mischung, deren Zutaten wir genau kannten: eine Sprachaufnahme, ein 60-Hz-Sinus als Bass und kurze Rauschimpulse als Schlagzeug. Dann korrelierten wir jeden ausgegebenen Stem mit jeder bekannten Zutat.

Jeder Stem traf seine eigene Zutat mit nahezu exakt 1,0 und die übrigen mit nahezu exakt 0. Der Schlagzeug-Stem enthielt die Rauschimpulse und im Wesentlichen nichts sonst; der Bass-Stem den Sinus und im Wesentlichen nichts sonst.

Dieser Test beweist, dass die Trennung echt und richtig verdrahtet ist. Er beweist nicht, dass sich jeder Song sauber zerlegen lässt — echte Musik ist viel schwerer als eine synthetische Mischung, und ein dicht geschichtetes oder stark komprimiertes Master ist noch schwerer.

Es ist langsam, und das ist eine Tatsache über das Verfahren

Die Trennung schickt die gesamte Wellenform durch ein neuronales Netz. Wir haben gemessen, dass 7,8 Sekunden Audio 15,1 Sekunden Verarbeitung brauchen — ungefähr das Doppelte der Echtzeit. Ein ganzer Song dauert damit über sechs Minuten.

Deshalb arbeitet das Werkzeug an einer 30-Sekunden-Vorschau und nennt die Zahl, bevor Sie etwas drücken, statt in einem Browser-Tab eine Sechs-Minuten-Aufgabe zu starten und zu hoffen, dass Sie bleiben.

Etwas zu trennen begründet kein Nutzungsrecht

Eine Stimme aus einer kommerziellen Aufnahme zu ziehen ändert nichts daran, wem diese Aufnahme gehört. Über ein Instrumental zu üben, ein Arrangement zu studieren oder etwas für sich selbst zu bauen ist die eine Lage; das Ergebnis zu veröffentlichen oder zu verbreiten eine andere, und die Trennung ändert daran nichts.

Nichts, was Sie hier laden, verlässt Ihr Gerät — aber das ist eine Aussage über Privatsphäre, nicht über Lizenzen.