Was es tatsächlich tut

Hinter dem langen Namen steckt eine schlichte Aufgabe. Ultimate Vocal Remover ist ein Open-Source-Werkzeug zur Quellentrennung: es zerlegt einen Song in Stimme und Begleitung oder entfernt die Stimme und lässt die Begleitung stehen. Wer Cover, Remixe oder abgeleitete Arbeiten macht, hat damit den üblichen ersten Vorbereitungsschritt.

Die auffälligste Eigenschaft ist, dass es sofort einsatzbereit kommt. Das offizielle Paket bringt Oberfläche, Python, PyTorch und die übrigen Abhängigkeiten zusammen mit, und die Doku sagt klar, dass keine zusätzlichen Voraussetzungen nötig sind. Herunterladen, installieren, benutzen.

Die offizielle Beschreibung nennt es ein Werkzeug, das mit fortgeschrittenen Modellen zur Quellentrennung Stimmen aus Audiodateien entfernt. Das Wort zählt: das ist Trennung, nicht Filterung. Es wird kein Frequenzband herausgeschnitten. Das Modell entscheidet, welche Anteile zur Stimme gehören und welche zur Begleitung, und baut sie als getrennte Spuren wieder auf.

Fast alle Modelle im Paket sind eigene Arbeit. Abgesehen von den Vierspur-Modellen aus Demucs v3 und v4 wurden laut Doku alle mitgelieferten Modelle von den Kermentwicklern des Projekts trainiert. Die Herkunft dessen, was in der Oberfläche wählbar ist, ist damit klar, und das ist kein nebensächlicher Punkt bei einem Werkzeug, das fremde Musik verarbeitet.

Werkzeuge, die mitkommen

Neben der normalen Trennung gibt es Begleitwerkzeuge. Zeitdehnung und Tonhöhenverschiebung sind dabei, beide hängen an der Bibliothek Rubber Band. Für Audio in anderen Formaten als wav braucht es FFmpeg. Das Projekt beschreibt außerdem einen portablen Weg: die ausführbare Datei direkt ins Anwendungsverzeichnis legen, was zu allen passt, die keine Umgebungsvariablen anfassen wollen.

Installation auf drei Plattformen

Unter Windows lädt man das Installationsprogramm. Verlangt wird Windows 10 oder neuer, und es muss auf Laufwerk C liegen; das Projekt warnt ausdrücklich, dass eine Installation auf einem zweiten Laufwerk Instabilität bringt. Mit einer AMD Radeon oder Intel Arc Karte gibt es stattdessen eine DirectML-Fassung, wobei das Projekt offen sagt, dass die AMD-Unterstützung derzeit begrenzt bleibt.

Unter macOS ist Big Sur oder neuer nötig, und der Download unterscheidet sich zwischen M1 und Intel. Laut Projekt reicht die MPS-Beschleunigung auf M1 inzwischen bis Demucs v4 und die ganze MDX-Net-Familie, und der erste Start kann 5 bis 10 Minuten dauern.

Linux bekommt einen manuellen Weg: für Debian- und Arch-Derivate zuerst FFmpeg, den Python-Paketmanager und die tk-Komponente installieren, dann eine virtuelle Umgebung anlegen und die Abhängigkeiten einspielen, zuletzt als Skript starten.

Hardware-Untergrenze und Abhängigkeiten

Eine Grafikkarte ist das Thema, dem diese Werkzeuge nicht ausweichen. Die genannte Untergrenze ist eine Nvidia GTX 1060 mit 6GB, empfohlen werden 8GB oder mehr, und unterstützt werden nur 64-Bit-Systeme. Das Projekt merkt an, dass die Umwandlungszeit stark von der Hardware abhängt, weil Trennmodelle von Natur aus rechenintensiv sind.

Ohne eigene Karte geht es auch, mit einem Vorbehalt, den man vorher annehmen sollte: auf der CPU dauert die Trennung deutlich länger als das Audio selbst. Sinnvoll ist, einen kurzen Ausschnitt erst durch den ganzen Ablauf zu schicken, die Einstellungen zu bestätigen und erst dann ein ganzes Album zu verarbeiten.

Die Lizenz ist MIT

Der Code ist Open Source unter MIT. Das Projekt ergänzt einen Satz für Drittentwickler: wer diese Modelle in einer eigenen Anwendung nutzt, soll das Projekt und seine Entwickler so nennen, wie es die MIT-Lizenz verlangt. Freizügige Lizenz plus bekannte Herkunft der Modelle macht es leichter, das Werkzeug in einem langfristigen Ablauf zu platzieren als geschlossene Konkurrenz.

Ein kleiner Trost: die Anwendung merkt sich beim Schließen die Einstellungen, sodass nichts bei jedem Start neu gesetzt werden muss.

Für wen es passt

Wer ab und zu eine Begleitung für einen Song braucht, ist mit einem Browser-Werkzeug bedient. Wer aber einen Stapel Dateien abzuarbeiten hat, Modelle tauschen und vergleichen will, oder Audio nicht auf einen fremden Server laden möchte, für den zeigt sich der Wert eines lokalen Werkzeugs: einmal installieren, und jede weitere Trennung läuft auf der eigenen Maschine.

Eine Warnung gehört dazu. Die Qualität hängt stark vom Modell und vom Material ab, und das Projekt sagt ehrlich, dass diese Modelle viel Rechenzeit kosten. Man sollte es als ersten Schritt der Vorbereitung sehen und nicht als perfektes Ergebnis auf Knopfdruck: die Spuren brauchen danach meist eine Runde im Audioeditor.