Extraire un instrumental propre d'un morceau : outils et techniques
Isoler un instrumental pur à partir d'un mixage stéréo est un problème inverse mal posé : on essaie de « démélanger » des ingrédients déjà cuits. Une séparation parfaite est impossible sans les pistes multicanaux (stems), mais les outils IA modernes s'en rapprochent remarquablement pour de nombreux genres.
La qualité de la source est primordiale
- Partez du lossless : WAV, FLAC, ALAC depuis CD, HDTracks, Qobuz, Tidal. Les artefacts MP3/AAC (pré-écho, trous spectraux) perturbent les modèles de séparation.
- Évitez : rips YouTube, MP3 128 kbps, rips vinyle avec bruits de fond/clics.
Options logicielles (2024)
| Outil | Type | Forces | Coût |
|---|---|---|---|
| UVR5 (Ultimate Vocal Remover v5) | GUI locale (Python/ONNX) | Meilleur gratuit ; modèles MDX-Net, VR-Arch, Demucs ; traitement par lots ; pas d'upload | Gratuit (open-source) |
| Demucs (Meta/FAIR) | CLI / lib Python | État de l'art recherche ; 4 stems (batterie, basse, voix, autre) | Gratuit |
| AudioShake / Moises / Lalal.ai | API Cloud / Web | Simple ; bon pour non-techniciens | Freemium / à la minute |
| RX 11 Advanced (iZotope) | Plugin DAW pro | Music Rebalance, réparation spectrale, de-bleed | 1 199 $ |
| RipX DeepAudio | DAW autonome | Édition niveau note, séparation stems | 99–599 $ |
| Audacity + plugins OpenVINO | DAW gratuit | Réduction/inversion vocale basique | Gratuit |
Techniques de base (ce que font réellement les modèles)
- Masquage temps-fréquence : TFST → prédiction masque vocal/non-vocal par bin → ITFST.
- Deep learning (CNN/Transformer) : Entraînés sur MUSDB18, Slakh2100, DAMP pour prédire les spectrogrammes sources.
- Reconstruction phase-aware : Modèles récents (HTDemucs, MDX-Net) prédisent spectrogrammes complexes → meilleure cohérence de phase.
- Séparation multi-bande / harmonique-percussive : Prétraitement pour isoler transitoires vs tonals.
Workflow pour meilleurs résultats
- Charger la source lossless dans UVR5 (ou Demucs via CLI).
- Sélectionner le modèle : MDX-Net Kim Vocal 2 (voix) ou VR-Arch (instrumental).
- Lancer la séparation → sorties :
vocals.wav,instrumental.wav. - Inspecter dans un DAW (Reaper, Audacity) : solo instrumental ; écouter artefacts (aigus « aqueux », fantômes vocaux, batterie floue).
- Si artefacts : essayer autre modèle, ajuster l'agressivité, ou ensemble de sorties multiples (alignement de phase + moyennage).
- Post-traitement : coupe douce high-shelf (8–12 kHz) pour réduire sibilance résiduelle ; réparation spectrale (RX) pour bleeds tenaces.
- Exporter l'instrumental final (WAV 24/44.1 ou 24/48).
Classement difficulté par genre
| Facile | Moyen | Difficile |
|---|---|---|
| EDM / Synth-pop (séparation nette) | Rock / Pop (medium dense) | Acoustique / Jazz (bleed, pas de click) |
| Hip-hop (voix souvent centrées, sèches) | Metal (mur de guitares) | Enregistrements live (salle, public) |
| Versions karaoké (annulation de phase) | Voix très réverbérées | Mono / mix vintage mal fait |
Réalité légale
Créer des instrumentaux pour pratique personnelle, parodie ou éducation relève généralement du fair use. Distribuer, monétiser ou utiliser en production commerciale sans licence master-use du label/éditeur est une violation du droit d'auteur. Les stems issus de sorties officielles (Splice, Beatport, packs artistes) sont la seule voie sans risque pour le commercial.
En résumé : UVR5 + MDX-Net sur source lossless vous donne 90 % du résultat gratuitement. Les 10 % restants demandent de l'oreille, de la patience, et parfois une licence.