Tách stem AI chất lượng cao: cách tách stem sạch bằng SAM Audio và BS-RoFormer
Tách stem AI chất lượng cao phụ thuộc vào ba yếu tố: mô hình phù hợp với tác vụ, xử lý stereo toàn bộ độ dài và phục hồi nguồn khi có hư hại do nén. Hãy dùng mô hình chuyên tách các stem cố định như BS-RoFormer cho giọng hát, trống và bass, còn SAM Audio của Meta cho nhạc cụ khác. Bạn sẽ có stem sạch hơn so với các công cụ cũ như Spleeter hoặc những phiên bản Demucs đầu tiên.
Nhà sản xuất, DJ và người sáng tạo nội dung thường gặp cùng một vấn đề. Bạn cần acapella sạch để remix, bản nhạc không có trống để luyện tập, hoặc một riff guitar được tách riêng để làm sample. Công cụ tách stem cũ thường để lại giọng hát đục và những tiếng trống mờ còn sót lại.
Hướng dẫn này giải thích stem là gì, vì sao phần lớn công cụ tách stem tạo ra lỗi âm thanh và cách thu được stem dùng được trong sản xuất thực tế, kể cả stem từ bài hát Suno.
Stem là gì? Tìm hiểu cơ bản về tách âm thanh
Stem là các track âm thanh riêng được tách ra từ một bài hát đã mix. Thay vì một tệp stereo chứa mọi âm thanh, bạn có các tệp riêng cho giọng hát, trống, bass, piano và nhạc cụ khác. Mỗi stem chỉ chứa thành phần đó.
Có stem khô (không có hiệu ứng) và stem ướt (đã áp dụng hiệu ứng như reverb và nén động học). Stem khô giống nguyên liệu trước khi nấu, còn stem ướt giống món ăn hoàn chỉnh. Các mô hình trong bài này chỉ tách stem ướt, nên mỗi stem vẫn giữ hiệu ứng vốn có trong bản mix.
Vì sao stem quan trọng trong sản xuất nhạc hiện đại
Stem biến một bản mix stereo cố định thành các phần có thể xử lý linh hoạt. Với stem chất lượng cao, bạn có thể:
- Tạo nhạc karaoke bằng cách loại bỏ giọng hát
- Làm mashup với acapella được tách sạch
- Xây dựng bản remix quanh giọng hát gốc, cũng là ý tưởng của tính năng remix AI mà Spotify đang lên kế hoạch
- Cân bằng lại bản mix bằng cách điều chỉnh mức của từng nhạc cụ
- Học bài hát bằng cách nghe riêng từng phần
- Lấy sample mà không bị lẫn âm từ nhạc cụ khác
- Sửa các tần số có vấn đề trong track đã tách
Trước AI, tách stem dựa vào lọc EQ và triệt tiêu pha, gây lỗi âm thanh và không bao giờ tách hoàn toàn được một phần. Mô hình AI cải thiện điều này bằng cách học nhận diện âm sắc và cấu trúc hài âm thay vì chỉ lọc tần số.
Vấn đề của phần lớn dịch vụ tách stem
Các công cụ tách stem AI không có chất lượng ngang nhau. Nhiều dịch vụ hứa hẹn “chất lượng cao” nhưng cắt giảm những yếu tố cơ bản:
Công cụ thử nghiệm và công cụ sản xuất
Công cụ thử nghiệm SAM Audio của Meta chỉ xử lý đoạn mono dài 30 giây. Như vậy đủ cho bản demo, nhưng không phù hợp khi bạn cần cả bài hát ở dạng stereo. Xem Neural Analog khác công cụ thử nghiệm SAM Audio như thế nào.
Giới hạn khi chỉ dùng một mô hình
Nhiều dịch vụ chỉ dùng một mô hình, nên phải đánh đổi. Các mô hình tách stem cố định như Demucs hoặc BS-RoFormer làm tốt việc tách theo cấu hình có sẵn (giọng hát, trống, bass, phần còn lại), nhưng không thể tách nhạc cụ tùy chọn như saxophone hay synthesizer. Một số mô hình khác hỗ trợ tách tùy chọn, nhưng tách các stem tiêu chuẩn không sạch bằng công cụ chuyên dụng.
Không có quy trình phục hồi âm thanh
Tách nguồn đã nén như MP3 hoặc bản ghi từ dịch vụ streaming sẽ làm lộ các lỗi vốn có. MP3 bitrate thấp thường cắt mọi thành phần trên khoảng 16 kHz và thêm nhiễu lượng tử hóa làm nhòe âm đầu. Công cụ tách stem bỏ qua vấn đề này chỉ làm phần âm thanh đã hỏng trở nên rõ hơn khi tách.
SAM Audio thúc đẩy khả năng tách stem như thế nào
SAM Audio của Meta là mô hình tách nguồn âm tổng quát, thay vì công cụ chuyên loại bỏ giọng hát. Meta mô tả đây là một mô hình nhận yêu cầu bằng văn bản, hình ảnh và khoảng thời gian, xây dựng trên Transformer khớp luồng và được huấn luyện bằng hỗn hợp âm thanh quy mô lớn gồm lời nói, âm nhạc và các âm thanh thông thường.
Nghe sự khác biệt: SAM Audio và các công cụ phổ biến trong ngành
Dưới đây là so sánh trong thực tế. Chúng tôi lấy một bản mix nhạc cổ điển dày đặc và tách stem piano bằng SAM Audio (Neural Analog) cùng một công cụ cạnh tranh hàng đầu.
Ví dụ: so sánh kết quả tách piano
Tách một nhạc cụ từ bản mix stereo dày đặc bằng yêu cầu 'piano'.
Công nghệ phía sau SAM Audio
SAM Audio dùng Transformer khớp luồng để dự đoán nguồn âm mục tiêu từ bản ghi đã trộn. Trong Neural Analog Studio, bạn có thể mô tả nguồn bằng văn bản và đánh dấu khoảng thời gian âm thanh đó xuất hiện. Yêu cầu bằng hình ảnh thuộc mô hình nghiên cứu, không phải một điều khiển trong giao diện âm thanh Studio hiện tại. Với nhà sản xuất, điểm khác biệt là khả năng chỉ định: mô hình có thể nhắm tới âm thanh ngoài các nhóm cố định gồm giọng hát, trống, bass và phần còn lại.
Bộ mã hóa âm thanh neural: vì sao kiến trúc mô hình quyết định chất lượng
Mọi công cụ tách stem AI đều xây dựng quanh bộ mã hóa âm thanh neural. Nó chuyển dạng sóng thô thành biểu diễn gọn về âm sắc, cao độ, nhịp và vị trí stereo. Có thể xem đây là “đôi tai” của mô hình: khả năng phân biệt trống snare với giọng hát phụ thuộc vào mức độ huấn luyện của bộ mã hóa.
Các mô hình tách âm ban đầu như Spleeter dùng bộ mã hóa CNN coi spectrogram như ảnh 2D. Chúng xử lý được việc tách giọng hát và trống cơ bản, nhưng khó giữ chi tiết âm sắc và tính nhất quán theo thời gian. Demucs v4 (Hybrid Transformer Demucs) xử lý cả dạng sóng lẫn spectrogram, giúp giữ nguyên âm đầu và pha để âm thanh tự nhiên hơn. BS-RoFormer chia spectrogram thành các dải tần và mô hình hóa chúng bằng các lớp Transformer. Bài báo của mô hình công bố SDR trung bình 9,8 dB trên bộ đánh giá MUSDB18-HQ, cao hơn Demucs v4. Bài so sánh Spleeter và Demucs trình bày chi tiết các mô hình cũ.
SAM Audio tiến xa hơn với Perception Encoder Audiovisual (PE-AV), được huấn luyện trên hơn 100 triệu đoạn video. Nhờ học từ video, mô hình liên kết âm thanh với nhạc cụ và hành động tạo ra chúng. Điều này hữu ích khi bạn đưa yêu cầu như “guitar”, đặc biệt lúc guitar và nhạc cụ khác có chung dải tần.
Kiến trúc nghiên cứu SAM Audio
dog barking
Sơ đồ gốc: Kiến trúc nghiên cứu SAM Audio.
Chất lượng bộ mã hóa ảnh hưởng trực tiếp tới chất lượng stem theo ba cách:
- Khả năng phân giải âm sắc: bộ mã hóa tốt hơn phân biệt hài âm với nhiễu, giúp nhạc cụ giữ đặc trưng riêng
- Tính nhất quán theo thời gian: bộ mã hóa mạnh hơn duy trì việc tách ổn định theo thời gian, tránh lỗi âm thanh bị bật tắt liên tục thường gặp ở công cụ rẻ
- Chi tiết: bộ mã hóa lớn hơn nắm bắt tiếng dây cọ, hơi thở và âm thanh không gian phòng
Khi so sánh dịch vụ tách stem, hãy hỏi họ dùng mô hình nào, thay vì chỉ dựa vào lời quảng cáo. Hậu xử lý không thể bù hoàn toàn giới hạn của bộ mã hóa cũ.
Neural Analog sử dụng SAM Audio và BS-RoFormer như thế nào
Công cụ tách stem AI của Neural Analog biến SAM Audio và BS-RoFormer thành công cụ thực tế cho nhạc sĩ.
Khác với công cụ thử nghiệm mono 30 giây, Neural Analog xử lý toàn bộ track ở dạng stereo đầy đủ, để các stem giữ được độ rộng và chiều sâu của bản mix gốc.
Bạn có thể chọn SAM Audio hoặc các cấu hình tách stem cố định đã được kiểm chứng:
- SAM Audio để tách nhạc cụ tùy chọn (saxophone, synthesizer, nhạc cụ dây)
- Cấu hình có sẵn để tách nhanh và đáng tin cậy: 4 stem gồm giọng hát, trống, bass, phần còn lại; hoặc 6 stem có thêm guitar và piano. Chúng sử dụng mô hình BS-RoFormer, thế hệ tách stem cố định mới hơn Demucs
Với SAM Audio trực tuyến, bạn có thể viết yêu cầu và đánh dấu các khoảng trên dạng sóng khi âm thanh mục tiêu chỉ xuất hiện ở một phần của track. Có câu hỏi hay muốn chia sẻ kết quả? Tham gia Discord của Neural Analog.
Quy trình phục hồi âm thanh tích hợp
Bạn có thể áp dụng phục hồi âm thanh cho stem đã tách để mở rộng dải tần và xử lý một số lỗi âm thanh. Hãy nghe thử kết quả: phục hồi không sửa được mọi lỗi tách nguồn.
Stem Suno tốt hơn: vì sao nhạc AI cần cách xử lý riêng
Suno và các công cụ tạo nhạc AI khác, gồm Udio và FlowMusic / Producer.ai, thường xuất tệp đã nén hoặc bị giới hạn băng thông. Chất lượng đã bị giới hạn trước cả khi tách stem. Để tách bài Suno trực tiếp từ liên kết, hãy dùng công cụ tách stem Suno. Udio không còn cung cấp tải xuống hay stem, nên trước hết hãy lưu bài Udio thành tệp âm thanh.
Vấn đề nén hai lần
Tách MP3 Suno bằng công cụ cơ bản là tách âm thanh vốn đã bị hư hại. Các stem thừa hưởng:
- Mất nghiêm trọng phần tần số cao, thường không có gì trên 15 kHz
- Nhiễu lượng tử hóa đã nằm trong tín hiệu
- Độ rộng và chiều sâu stereo giảm
- Lỗi “rung ngân” kỹ thuật số
Phục hồi cải thiện nhạc AI như thế nào
Quy trình giải quyết từng giới hạn này:
- Tách: SAM Audio hoặc mô hình theo cấu hình có sẵn tách các stem
- Loại bỏ lỗi âm thanh: phục hồi neural có thể giảm nhiễu do nén MP3
- Tái dựng tần số: mô hình dự đoán và tái tạo nội dung hài âm lên tới 20 kHz
- Xử lý stereo: giữ tín hiệu stereo khi phục hồi chi tiết, sau đó nghe so sánh độ rộng và pha với nguồn
Stem Suno thu được nghe gần với bản thu đa track chuyên nghiệp hơn.
Từng bước: cách tạo stem chất lượng cao bằng Neural Analog
Hãy làm theo các bước này để có kết quả nhất quán. Hướng dẫn tách stem trong Studio giải thích chi tiết hơn từng điều khiển.
Bước 1: tải âm thanh lên
Kéo thả tệp hoặc dán liên kết công khai từ nguồn được hỗ trợ như Suno, FlowMusic, TopMediaAI, Treblo, Mureka hoặc YouTube. Các định dạng tải lên gồm MP3, WAV, FLAC, M4A và OGG. Thời lượng tối đa phụ thuộc vào gói của bạn và mô hình đã chọn.
Bước 2: chọn cách tách
Để có kết quả dễ dự đoán, mở Tách và chọn 4 stem cho giọng hát, trống, bass, phần còn lại; hoặc 6 stem để thêm guitar và piano. Kiểm tra Đầu vào đã chọn. Các cấu hình này chạy mô hình chuyên tách stem cố định và cho kết quả nhất quán.
Với nhạc cụ tùy chọn, chọn Yêu cầu tùy chỉnh để dùng SAM Audio. Kiểm tra Mô hình đã chọn, rồi mô tả âm thanh. Hãy viết cụ thể: electric guitar solo with distortion hiệu quả hơn guitar. SAM Audio trả về hai stem bổ sung cho nhau: âm thanh khớp yêu cầu và phần còn lại của bản ghi.
Bước 3: cấu hình xử lý
Xử lý stereo của SAM Audio: chế độ mặc định Stereo (Mid/Sides) xử lý riêng tín hiệu mid (giữa) và side, rồi ghép lại. Chọn Stereo (L/R) để xử lý riêng kênh trái và phải, hoặc Mono để lấy trung bình thành một kênh. Những điều khiển này áp dụng cho SAM Audio; các cấu hình stem cố định dùng mô hình stereo riêng. Xem khi nào nên dùng xử lý Mid/Side.
Bước 4: xử lý và tải xuống
Nếu chỉ tách âm, hãy để Cải thiện stem tắt. Kiểm tra ước tính số phút xử lý sẽ bị trừ vào số dư, rồi nhấp Bắt đầu tách và đợi. Track ngắn thường hoàn thành trong vài phút; track dài và mô hình nặng hơn cần nhiều thời gian hơn. Kiểm tra từng stem trong Studio, sau đó mở Xuất và chọn Stem riêng lẻ để lấy từng tệp hoặc Stem đã kết hợp để lấy bản mix hiện tại.
Bước 5: phục hồi stem đã tách
Nếu stem thiếu tần số cao hoặc có hư hại do nén nghe thấy được, chọn stem đó làm Đầu vào trong Cải thiện. Chọn Khôi phục nhạc MP3 cho nhạc cụ hoặc Cải thiện giọng hát cho giọng hát, rồi nhấp Bắt đầu chạy mô hình. So sánh kết quả trước khi xuất. Hướng dẫn phục hồi MP3 sang WAV giải thích cách chọn mô hình. Nếu muốn tự động xử lý các stem đủ điều kiện sau khi tách, bật Cải thiện stem, chọn mô hình phục hồi và kiểm tra ước tính số phút xử lý bổ sung trước khi bắt đầu tách. Stem sạch không cần phục hồi.
Những yếu tố kỹ thuật trong quy trình sản xuất
Khi đưa việc tách stem vào quy trình sản xuất, hãy kiểm tra các yếu tố sau:
Chất lượng tệp nguồn
Phục hồi có thể tái dựng tệp đã nén, nhưng nguồn không mất dữ liệu (WAV, FLAC) vẫn cho kết quả tách chính xác hơn. Bộ mã hóa có nhiều thông tin gốc hơn để sử dụng, nên ít nội dung phải tái dựng hơn.
Nếu nhạc cụ chỉ xuất hiện vài giây trong tệp dài, hãy đánh dấu khoảng đó trong Studio hoặc cắt tệp trước khi tải lên. Mô hình sẽ có mục tiêu rõ hơn và xử lý nhanh hơn.
Tính nhất quán pha của stem
Các stem từ cùng một bài khi cộng lại nên gần giống bản mix gốc. Nếu pha bị lệch, ghép lại sẽ gây lọc răng lược hoặc triệt tiêu. Mô hình của Neural Analog được thiết kế để giữ quan hệ pha, điều quan trọng khi mastering stem và remix. Hãy kiểm tra bằng cách cộng các stem trong DAW rồi so sánh với bản gốc.
Mức độ nghe thấy lỗi âm thanh
Hãy nghe xem có các lỗi tách nguồn thường gặp hay không:
- Lẫn âm: nhạc cụ xuất hiện mờ trong stem không đúng
- Âm thanh đứt quãng liên tục: bật tắt nhanh trong quá trình tách
- Nhòe âm đầu: âm đầu mất độ sắc nét
- Mất tần số cao: thiếu độ thoáng và chi tiết
Phục hồi sửa được nhiều vấn đề này, nhưng nguồn sạch sẽ giảm chúng ngay ở giai đoạn tách. Sau đó dùng DAW để chỉ giữ những phần nghe phù hợp của từng stem.
Khi nào dùng từng loại mô hình
Dùng cấu hình stem cố định (BS-RoFormer) khi:
- Bạn cần tách giọng hát, trống hoặc bass theo nhóm tiêu chuẩn
- Tốc độ xử lý là yếu tố quan trọng
- Bản mix nguồn tương đối sạch
- Bạn muốn kết quả dễ dự đoán và đã được kiểm chứng
Dùng SAM Audio (tùy chọn) khi:
- Nhạc cụ không nằm trong cấu hình tiêu chuẩn
- Bản mix dày đặc và chồng lấn
- Bạn cần tách các âm thanh tương tự, chẳng hạn guitar lead và guitar rhythm
- Nguồn chứa nhạc cụ lạ hoặc âm thanh tổng hợp
Dùng phục hồi khi cần:
- MP3 hoặc nguồn streaming có hư hại do nén nghe thấy được
- Tệp gốc dưới 320 kbps và thiếu chi tiết tần số cao
- Nhạc AI có giới hạn băng thông hoặc lỗi do nén
- Stem cần sửa trước khi phát hành thương mại, sau khi đã kiểm tra bằng tai
Cách chọn quy trình tách stem AI phù hợp nhất
Bắt đầu bằng một track thử nghiệm mà bạn biết rõ. So sánh stem đã tách với bản mix gốc để kiểm tra tính nhất quán pha và mức độ lỗi âm thanh. Dùng cấu hình có sẵn cho cách tách tiêu chuẩn, SAM Audio cho những trường hợp khác, và phục hồi khi nguồn đã nén hoặc được tạo bằng AI cần sửa chữa.
Với mô hình AI và phục hồi hiện nay, stem đã tách có thể gần với phiên thu đa track gốc để làm remix, sample và phân tích bản mix.
Câu hỏi thường gặp về tách stem chất lượng cao
Mô hình AI nào tốt nhất để tách stem?
Với giọng hát, trống, bass và nhạc không lời, các mô hình BS-RoFormer và Mel-Band RoFormer hiện có điểm cao nhất trong các bộ đánh giá công khai. Với nhạc cụ ngoài các stem cố định đó, mô hình dựa trên yêu cầu như SAM Audio linh hoạt hơn. Xem bảng xếp hạng mô hình tốt nhất cho giọng hát và mô hình tốt nhất cho nhạc cụ.
Neural Analog có dùng Demucs để tách stem không?
Không. Cấu hình 4 stem và 6 stem dùng mô hình BS-RoFormer; việc tách nhạc cụ tùy chọn dùng SAM Audio.
Vì sao stem nghe mỏng hoặc chao đảo như ở dưới nước?
Thường là vì nguồn là MP3 bitrate thấp, hoặc công cụ đang chạy mô hình cũ. Hãy bắt đầu bằng nguồn tốt nhất bạn có, dùng mô hình mới hơn rồi phục hồi stem sau đó. Đọc phục hồi MP3 có sửa được stem nghe đục hay không để biết điều gì có thể và không thể sửa bằng phục hồi.
Hướng dẫn liên quan
- Loại bỏ trống khỏi bài Suno đã hoàn thành: dùng tách stem trống để có track không trống.
- Thay trống Suno bằng bộ trống của bạn: loại bỏ trống AI rồi lập trình một groove mới.
- Chuyển bài stereo sang Dolby Atmos: đặt các stem đã tách vào bed và object Atmos.