How to Extract Vocals from a Song (Vocal Isolation Guide)

私は、クライアントが完成したマスタートラックからステムなしでボーカルを分離してほしいと最初に頼まれたときのことを今でも覚えています。それは2009年で、私はナッシュビルの中規模なポストプロダクションスタジオでオーディオエンジニアとしてのキャリアを始めて3年目でしたが、そのリクエストは不可能に思えました。アーティストはヒットシングルのカラオケバージョンを作りたがっていましたが、元のセッションファイルはハードドライブの故障で失われてしまったのです。その後、私は見つけられるすべてのボーカル分離技術を14時間かけて深く掘り下げ、ほとんどが「歌手が水中の缶の中でパフォーマンスをしているかのような音」を出力する結果となりました。

15年が経過し、私は今までにリミックスプロジェクト、カラオケプロダクション、サンプルライブラリ、法医学音声作業のために3,000曲以上のボーカルを分離しました。技術は劇的に進化しました—かつては10,000ドル相当の専門機器と数日間の手動編集が必要だったことが、今では適切なソフトウェアを使えば数分で達成できるようになりました。しかし、ほとんどのチュートリアルが教えてくれないのは、ボーカル分離の質はどのツールを使用するかよりも、オーディオ分離が実際にどのように機能するかの基本的な原則を理解することに依存しているということです。

この包括的なガイドでは、曲からボーカルを抽出する際に私が学んだすべてを紹介します。基本的な物理学から、最も困難なソース素材でも救済できる高度な技術まで。あなたが次のリミックスのためにアカペラを作ろうとするベッドルームプロデューサーであれ、カスタムライブラリを構築するカラオケ愛好者であれ、クリーンな対話が必要なコンテンツクリエーターであれ、このガイドはプロフェッショナルな結果を達成するための実用的な知識を提供します。

ボーカル分離の背後にある科学を理解する

特定のツールや技術に入る前に、「楽曲からボーカルを『抽出』する」際に実際に何が起こっているのかを理解する必要があります。これは魔法ではありません—音楽がどのようにミックスされているか、そして人間の聴覚がどのように機能するかに基づいた適用された信号処理です。

曲がミックスされると、ボーカルは通常特定の周波数範囲（基本周波数に対しておおよそ300Hzから3,000Hz、ハーモニクスはさらに高くまで伸びる）を占め、ほぼ常にステレオフィールドの中央にパンニングされます。それに対して、楽器要素は通常ステレオスペクトル全体に広がり、異なる周波数範囲を占有します。従来のボーカル分離は、このような違いを利用して位相キャンセリングを行っていました：一方のチャンネルを反転させ、他方と結合することで、理論的に中央にパンされているものを除去し、サイドパンされている楽器だけを残すことができました。

私はキャリアの初期にこの技術を広範囲に使用しましたが、理論的には機能しますが、より厄介です。ほとんどの現代のミックスは、ボーカルに反響やディレイがかかっており、ステレオフィールドに広がります。ベースやキックドラムも大抵中央に配置されています。その結果はどうなるでしょうか？ボーカルは減少しますが完全には取り除かれず、重要な低音情報は失われてしまい、空虚で位相の狂ったような音が得られるのです。私はかつて、有名なリミックスプロジェクトのために位相キャンセリングだけを使用してボーカル抽出を救済するために週末全体を費やしましたが、そのアーチファクトがあまりにも目立つため、クライアントに最終的に拒否されました。

ブレークスルーは機械学習によって訪れました。現代のAIベースの分離ツールは、何千もの孤立したステムから訓練されたニューラルネットワークを使用して、ボーカルを楽器から区別するスペクトルおよび時間的パターンを認識します。これらのモデルは、ボーカルの特徴を、他の楽器と周波数やステレオ配置が重なるときでも特定することができます。最良のモデルは、10,000時間を超えるマルチトラック録音のデータセットで訓練されており、理想的な条件下で-40dBのブリードに近い分離品質を実現できます—つまり、望ましくない楽器の内容はボーカル信号の100倍静かです。

ただし、限界を理解することも、その能力を知ることと同じくらい重要です。分離アルゴリズムは完璧ではありません。必ずある程度のアーチファクトがあります：残留楽器のブリード、スペクトルのぼやけ、あるいは私が「水中のボーカル」と呼ぶもので、高音の明瞭さが損なわれます。重要なのは、特定のソース素材と意図した使用ケースに応じて、どの技術を適用するかを知っていることです。

ニーズに合ったツールの選択

私は、過去10年間で利用可能なほぼすべてのボーカル分離ツールをテストしました。無料のオープンソースオプションから、数千ドルもするプロフェッショナルスイートまで、その景色は劇的に変わりました。そして、良いニュースは、プロフェッショナルな結果を得るために巨額の予算を必要としないことです。以下は、数百のプロジェクトでの実質的な使用に基づいた現在のオプションについての私の正直な評価です。

「ボーカル分離の質は高価なソフトウェアによって決まるのではなく、ソース素材のステレオフィールド、周波数マスキング、位相関係を理解することによって決まる。」

ほとんどのユーザーには、私が約60%のボーカル分離作業で利用している無料のオープンソースアプリケーションであるUltimate Vocal Remover (UVR)を使い始めることをお勧めします。無料にもかかわらず、UVRはMDX-NetやDemucsなどの数多くの最先端のAIモデルを実装しており、これらはプロの研究チームによって開発されました。300ドル以上のツールと比較した際、ほとんどのソース素材に対する品質の違いはほとんどなく、気にならないものでした。インターフェースには慣れが必要ですが—明らかにエンジニアのためにエンジニアによって作られています—ワークフローを理解すれば、ファイルをバッチ処理して、一貫した結果を得ることができます。

クライアントに請求し、最高品質を必要とするプロフェッショナルな作業のために、私はiZotope RX 10のMusic Rebalanceモジュールを使用しています。標準版は399ドル（または上級スイートが1,299ドル）で、かなりの投資ですが、商業アプリケーションにはその質がコストを正当化します。スペクトル編集機能を使用すると、アーチファクトを手動で清掃することができ、複雑で密なミックスでの処理が顕著にクリーンになります。最近、RX 10を使用して1970年代のソウルレコーディングからボーカルを分離しましたが、その結果は驚くべきものでした—元の録音にはかなりのテープヒスがあり、ボーカルは強く楽器に圧縮されていましたが、アーチファクトは最小限でした。

LALAL.AIは最高のクラウドベースオプションとして言及する価値があります。15ドルで90分の処理時間が得られ、ソフトウェアをインストールしたくない偶発的なユーザーには最適です。品質は素晴らしく、RX 10の約90%に相当します—利便性は抜群です。私は旅行中、メイン作業環境にアクセスできず、ノートパソコンから何かを迅速に処理する必要があるときにLALAL.AIを使用します。主な制限は、音声を彼らのサーバーにアップロードする必要があることですが、未発表または機密素材にとっては懸念材料となるかもしれません。

AudacityやAdobe Auditionのセンター チャンネル抽出など、古いツールのボーカル除去機能は具体的にはお勧めしません。これらは先ほど述べた位相キャンセリング技術を使用していますが、無料で簡単に手に入るものの、品質は現代のAIベースのアプローチと競争力がありません。私は2018年頃にこれらの方法を完全に使用するのをやめ、その後は振り返ることはありませんでした。

最適な結果のためのソース素材の準備

ほとんどのチュートリアルが見落としていることがあります。ボーカル分離の質は、分離ソフトウェアを開く前にほとんど決まってしまいます。私は、ソースファイルを適切に準備するのに15分かけることが、利用可能な結果と完全にゴミであることの違いを生むことを痛感して学びました。

まず、常に最高品質のソース素材を使用してください。WAVやFLACのようなロスレスフォーマットにアクセスできる場合は、それを使用してください。320kbpsのMP3とCD品質のWAVファイルからのボーカル分離を比較する制御テストを実施しましたが、その違いは測定可能であり、WAVバージョンは常に2-3dB高い信号対雑音比を生み出します。MP3圧縮はアーチファクトを導入し、それをAIモデルが時にはボーカル信号の一部として解釈してしまい、最終的な出力においてわずかに「クランチーな」音をもたらします。ただし、MP3しか手に入らない場合でも、現代のAIツールは圧縮音声を扱うのが非常に得意です。私は何度も中級者のレベルで試しました。