Stem Separation Explicado: Cómo la IA Divide la Música en Partes (2026)

Si alguna vez usaste una herramienta de IA para eliminar las vocales o aislar la batería de una canción, ya experimentaste la separación de stems. Pero, ¿cómo funciona en realidad? ¿Por qué en algunas canciones suena increíble y en otras deja artefactos evidentes? ¿Y qué está pasando dentro de estos modelos que los hace mejorar cada año?

Este artículo cubre el panorama completo: la ciencia detrás, las limitaciones prácticas y qué podés esperar realmente cuando pasás una canción por un separador de stems en 2026.

¿Qué es la Stem Separation?

La Stem Separation (también conocida como separación de fuentes, demixing de audio o unmixing musical) es el proceso computacional de descomponer una grabación de audio mezclada en sus componentes individuales. Una canción pop típica que llega como un único archivo estéreo contiene todo lo grabado junto: la voz principal, las armonías, el bombo, el redoblante, el bajo, las guitarras, los teclados y todo lo que el productor haya agregado. La separación de stems intenta revertir matemáticamente ese proceso de mezcla.

La palabra "stem" proviene de la terminología de producción musical. En un estudio de grabación, un stem es un submix: un único archivo de audio que contiene un grupo de instrumentos relacionados mezclados juntos. Un productor podría exportar un "drums stem" con todas las pistas de batería, un "vocals stem" con todas las capas vocales, etcétera. Estos stems facilitan la entrega de un proyecto a un ingeniero de masterización o un licenciador de sincronización sin tener que compartir cada pista individual.

La separación de stems con IA moderna produce estos mismos resultados, solo que trabajando hacia atrás desde la mezcla estéreo final en lugar de desde el multitrack original. Para un panorama más amplio de lo que podés hacer con los stems separados, consultá nuestra guía de separadores de stems con IA.

Los cuatro stems estándar que apunta la mayoría de las herramientas son:

• Vocals — vocales principales, coros, armonías y cualquier palabra hablada
• Drums — el kit de batería completo: bombo, redoblante, toms, hi-hats, platillos y percusión
• Bass — bajo eléctrico, bajo de sintetizador e instrumentos tonales de baja frecuencia
• Other — todo lo que no encaja en lo anterior: guitarras, teclados, sintetizadores, cuerdas, vientos y efectos

Los modelos más avanzados de 6 stems añaden Guitar y Piano como salidas separadas, aunque son más difíciles de aislar de forma confiable porque las guitarras y los teclados se superponen en rango de frecuencia con muchos otros instrumentos.

Por Qué los Métodos Anteriores Fallaban

Para apreciar lo impresionante que es la separación con IA moderna, ayuda entender qué existía antes.

Cancelación de fase (1960–2010)

El truco más antiguo era la cancelación de fase. Si tomás un archivo estéreo, invertís uno de los canales y los sumás a mono, todo lo que sea idéntico en ambos canales se cancela. En muchas mezclas pop, la voz principal se grababa en mono y se ubicaba en el centro, por lo que aparecía de forma idéntica en los canales izquierdo y derecho. Al invertir y sumar, se eliminaba.

El problema evidente: todo lo que estuviera en el centro se eliminaba junto con las vocales. Eso incluía típicamente el bombo, el bajo, el redoblante y cualquier otro elemento centrado. El "instrumental" que obtenías quedaba hueco. Y si la voz tenía efectos estéreo (reverb, chorus), esas partes sobrevivían a la cancelación y dejaban artefactos fantasmales. Por eso los viejos "vocal removers" sonaban tan mal.

Filtrado de frecuencias

Un enfoque más rudimentario: cortar las bandas de frecuencia más asociadas con la voz humana (aproximadamente de 200 Hz a 3 kHz). Esto dañaba toda la mezcla porque las guitarras, el piano y la batería también ocupan esas mismas frecuencias. Atenuabas algo la voz mientras destruías todo lo demás en el proceso.

Edición espectral

La edición espectral manual con herramientas como iZotope RX permite a un ingeniero experimentado pintar sobre los componentes vocales en una vista de espectrograma y reemplazarlos con silencio o aproximaciones rellenas de ruido. Esto puede funcionar notablemente bien en secciones cortas, como limpiar una zona donde se escuchó una puerta cerrarse o eliminar una frase hablada breve. Pero hacerlo para una canción completa lleva horas de trabajo experto, y los resultados todavía muestran costuras evidentes.

Ninguno de estos enfoques podía producir stems separados limpios y completos. La IA cambió eso por completo.

Cómo Funciona la Stem Separation Moderna con IA

Los sistemas actuales son redes neuronales profundas entrenadas para reconocer los patrones espectrales y temporales que distinguen una fuente de sonido de otra en una mezcla.

Paso 1: Convertir el audio en un espectrograma

El audio en bruto es una forma de onda: una serie temporal de valores de presión muestreados miles de veces por segundo. Pero las redes neuronales funcionan mejor con una representación 2D que muestre cómo cambia el contenido de frecuencias de una señal a lo largo del tiempo. La herramienta estándar para esta conversión es la Transformada de Fourier de Tiempo Corto (STFT), que produce un espectrograma: una cuadrícula donde el eje horizontal es el tiempo, el eje vertical es la frecuencia y el brillo (o color) en cada punto representa qué tan fuerte es esa frecuencia en ese momento.

Podés pensarlo como un piano roll, pero en lugar de mostrar notas discretas, muestra el espectro de frecuencias continuo y completo de todo lo que suena al mismo tiempo. Un golpe de redoblante se ve diferente a un acorde de guitarra, que se ve diferente a una nota vocal sostenida, y todos se ven distintos a una nota de bajo. El espectrograma hace visibles esas diferencias.

Paso 2: Qué aprende realmente la red neuronal

El modelo se entrena con un conjunto de datos de canciones donde los stems aislados ya se conocen, aprendiendo esencialmente de miles de grabaciones multipista que han sido "mezcladas" en software. Para cada ejemplo de entrenamiento, el modelo ve el espectrograma de la canción mezclada junto con los espectrogramas de cada stem individual.

Durante el entrenamiento, la red aprende que ciertas formas espectrales, texturas y patrones de movimiento están asociados con las vocales, la batería o el bajo. Aprende que las frecuencias de bajo tienden a tener notas largas y sostenidas suaves. Que la batería crea líneas verticales nítidas (transientes) en muchas frecuencias simultáneamente. Que las vocales tienen estructuras formánticas distintivas: patrones de frecuencias resonantes específicos de la voz humana que cambian al cambiar las vocales.

Las arquitecturas modernas más capaces, como Hybrid Transformer Demucs (HTDemucs), procesan la señal de audio en dos flujos paralelos simultáneamente:

• Un flujo en el dominio del tiempo que opera directamente sobre la forma de onda en bruto y es especialmente bueno para capturar transientes, timing y relaciones de fase
• Un flujo en el dominio de frecuencia que opera sobre el espectrograma y sobresale identificando contenido tonal, armónicos y textura espectral

Un mecanismo de atención basado en Transformer permite luego que la información fluya entre estos dos flujos, dejando que el modelo combine lo que aprende de cada uno. Este enfoque de doble camino es la razón por la que HTDemucs supera a los modelos anteriores que solo usaban una representación.

Paso 3: Estimación de máscara

En lugar de predecir directamente la forma de onda de salida para cada stem, la mayoría de las arquitecturas trabajan estimando una máscara: una cuadrícula del mismo tamaño que el espectrograma de entrada donde cada celda contiene un valor entre 0 y 1, que representa cuánto de esa frecuencia en ese momento pertenece a ese stem en particular.

Aplicás la máscara de batería al espectrograma original y suprimís todo lo que no se parezca a una batería. Aplicás la máscara de vocales y suprimís todo lo que no se parezca a vocales. El enmascaramiento suave (donde los valores son fraccionarios en lugar de binarios 0/1) preserva más calidad de audio que los cortes duros, por eso se convirtió en el estándar.

Paso 4: Convertir de vuelta a audio

Una vez que se calculan los espectrogramas enmascarados para cada stem, el paso final es convertirlos de vuelta en formas de onda de audio usando la STFT inversa. El resultado es un conjunto de archivos de audio, uno por stem, que juntos deberían reconstruir aproximadamente la pista mezclada original cuando se suman.

La diferencia de calidad que escuchás entre herramientas generalmente se reduce a: cuántos datos de entrenamiento usaron, qué tan grande y sofisticada es la arquitectura del modelo, y si la estrategia de enmascaramiento preserva detalles finos como las colas de reverb y los transientes de ataque.

Comparación de los Principales Modelos de IA

Un puñado de modelos de código abierto ha definido el estado del arte desde 2019. Entender sus diferencias ayuda a explicar por qué varias herramientas suenan como suenan. Todos los valores de SDR a continuación corresponden al stem de vocales en el benchmark MUSDB18, el conjunto de prueba estándar utilizado en la comunidad investigadora.

Comparación rápida

Spleeter (Deezer, 2019)

Spleeter fue el primer modelo de código abierto ampliamente accesible para la separación de stems y tuvo un impacto enorme: de repente, cualquiera podía ejecutar separaciones de calidad razonable en su propia máquina. Usa una arquitectura U-Net (una red encoder-decoder con conexiones de salto) que opera puramente en el dominio de frecuencia.

Fortalezas: Rápido, liviano, corre en hardware modesto, fácil de implementar, todavía adecuado para uso karaoke básico.
Debilidades: El sangrado es claramente audible en muchas canciones, tiene problemas con las vocales con mucha reverb, la calidad del modo de 5 stems cae notablemente comparado con el modo de 2 stems.
SDR Vocales: ~6.5 dB en MUSDB18.

Para una comparación directa de Spleeter versus Demucs por géneros con tablas de SDR, consultá nuestro análisis de Spleeter vs Demucs.

Demucs v3 (Meta/Facebook, 2021)

Demucs v3 introdujo el procesamiento en el dominio del tiempo junto al dominio de frecuencia, y representó un salto significativo respecto a Spleeter. Procesa la forma de onda en bruto directamente usando una red encoder-decoder con convoluciones con compuertas, lo que le da mejor coherencia de fase y transientes más nítidos, algo especialmente notable en los stems de batería y bajo donde el timing importa.

Fortalezas: Transientes más limpios que Spleeter, mejor coherencia de fase, buenos resultados en CPU sin necesidad de GPU.
Debilidades: Más lento que Spleeter, no se beneficia del modelado de contexto Transformer, HTDemucs produce mejores resultados con un costo computacional similar.
SDR Vocales: ~7.3 dB en MUSDB18.

HTDemucs (Meta/Facebook, 2022)

El estándar principal actual. HTDemucs añade un mecanismo de atención Transformer que permite al modelo razonar sobre contextos temporales más largos: entiende que la nota de bajo en el compás 1 probablemente está relacionada con la del compás 3, no que cambia aleatoriamente. Este modelado de dependencias a largo plazo es lo que le permite manejar mejor la música armónicamente compleja que los modelos anteriores basados solo en convoluciones.

Fortalezas: La mejor calidad general en los cuatro stems, maneja bien las mezclas densas, colas de reverb más limpias, mejor separación de bajo, disponible como código abierto gratuito en Demucs GitHub.
Debilidades: Más lento que Spleeter, requiere más cómputo, sangrado ocasional de baja frecuencia en mezclas muy densas.
SDR Vocales: ~8.7 dB en MUSDB18, aproximadamente un 35% más de calidad que Spleeter en la métrica estándar.

HTDemucs Fine-Tuned (htdemucs_ft) es una versión entrenada adicionalmente en un conjunto de datos curado más pequeño. En pistas promedio se comporta de manera similar a HTDemucs base, pero en ciertos géneros (especialmente pop y R&B) produce resultados notablemente más limpios. StemSplit ejecuta htdemucs_ft en todos los trabajos por defecto. HTDemucs 6s (htdemucs_6s) añade guitarra y piano como salidas separadas, útil para trabajo de producción, aunque la precisión en esos stems adicionales es menor que en los cuatro estándar.

MDX-Net (Music Demixing Challenge, 2021)

Los modelos MDX-Net surgieron del Sound Demixing Challenge y usan enfoques de ensemble, combinando múltiples modelos cuyos resultados se promedian. La variante mdx_extra fue entrenada con datos adicionales más allá del conjunto de benchmark estándar.

Fortalezas: Competitivo con HTDemucs o ligeramente mejor en el aislamiento vocal específicamente; útil cuando la calidad vocal es la única prioridad.
Debilidades: Queda por detrás de HTDemucs en batería y bajo; más lento por el cómputo de ensemble; menos de propósito general.
SDR Vocales: ~9.0 dB en MUSDB18 para mdx_extra, fuerte en vocales, más débil en otros stems.

En la práctica, la diferencia entre htdemucs_ft y mdx_extra en música real es menor de lo que sugieren los números del benchmark. Cuál es "mejor" depende a menudo del género específico de la canción y sus características de mezcla.

BS-RoFormer (2024) — El Estado del Arte Actual

La generación más reciente. BS-RoFormer (Band-Split RoFormer) aplica un Roformer (una variante de Transformer con embeddings de posición rotatorios) a la representación de señal dividida en bandas, donde el espectro de audio se divide en sub-bandas y cada banda se procesa con cabezas de atención dedicadas. Esta arquitectura permite al modelo razonar simultáneamente sobre detalles de frecuencia granulares y estructura temporal a largo plazo.

Fortalezas: El mejor SDR vocal de cualquier modelo publicado hasta 2026, reduce significativamente los artefactos metálicos comunes en modelos anteriores, maneja excepcionalmente bien las vocales con mucha reverb.
Debilidades: Computacionalmente intensivo, no está aún tan ampliamente implementado como HTDemucs, requiere infraestructura más reciente para funcionar eficientemente.
SDR Vocales: ~10.9 dB en MUSDB18, una mejora significativa respecto a HTDemucs, particularmente audible en material desafiante.

BS-RoFormer está comenzando a aparecer en herramientas comerciales y representa la dirección hacia donde se dirige el campo.

Cómo Suena Realmente la Calidad de Separación

Los números de SDR son útiles para comparar modelos objetivamente, pero no te dicen cómo suenan los artefactos en la práctica. Esto es lo que podés esperar.

El Problema del Sangrado

Ningún modelo de IA produce stems perfectamente aislados. Siempre hay algo de señal de las fuentes adyacentes que "se fuga" hacia cada salida. En una pista vocal aislada, generalmente escucharás un fantasma tenue de lo que era más fuerte en la mezcla, a menudo el bombo o el redoblante. En una pista instrumental, escucharás una sombra tenue y algo procesada de la voz.

El sangrado suele ser lo suficientemente sutil como para no arruinar el caso de uso. Para karaoke, un susurro de artefacto vocal bajo el instrumental es mucho menos notable que la voz original a volumen completo. Para samplear drum breaks, un rastro de bajo bajo la pista de batería generalmente es inaudible en contexto.

Donde el sangrado se convierte en un problema real es en flujos de trabajo de mezcla profesional: si estás intentando remezclar una pista publicada comercialmente y necesitás stems verdaderamente limpios para un lanzamiento en un club, la separación de IA típicamente no es lo suficientemente limpia sin procesamiento manual adicional en iZotope RX o herramientas similares.

Colas de Reverb y Transientes

Las colas de reverb son una de las cosas más difíciles de manejar para los modelos de IA. Cuando una vocalista canta una frase larga con mucha reverb, la cola de reverb se extiende más allá de la voz y se esparce por el espectrograma de una manera que es difícil atribuir de forma limpia a la voz o al fondo. Los modelos modernos hacen un trabajo decente, pero a menudo escucharás que la reverb se comporta ligeramente diferente en el stem separado que en la mezcla original.

Los transientes —los ataques nítidos de la batería, las púas de guitarra y las teclas de piano— se manejan mucho mejor ahora que con los modelos que solo usaban el dominio de frecuencia. El flujo en el dominio del tiempo de HTDemucs preserva el detalle de ataque lo suficientemente bien como para que las pistas de batería separadas suenen contundentes y naturales.

El Género Importa Significativamente

La calidad de separación varía sustancialmente según el género:

El pop de estudio y la música electrónica tienden a separarse mejor porque la producción moderna ya mantiene los instrumentos en zonas de frecuencia relativamente distintas. El jazz y la música clásica son los más difíciles porque todo está profundamente entrelazado armónicamente y grabado con acústica de sala natural.

Cuándo Falla la Separación de IA (y Por Qué)

Entender los modos de fallo te ayuda a predecir cuándo obtendrás buenos resultados y cuándo no.

Heterofonía y Doblaje

Cuando dos instrumentos tocan la misma nota simultáneamente —una voz doblada por una línea de piano a una octava, o guitarra tocando al unísono con teclados— el modelo a menudo no puede decidir en qué stem ubicarlo. Obtendrás la parte doblada dividida entre dos salidas, o asignada completamente a la incorrecta.

Procesamiento de Efectos Extremos

La distorsión vocal intensa (como vocales con auto-tune, pitch-shift o vocoder) confunde a los modelos que han aprendido a reconocer los patrones formánticos naturales de la voz humana. Un efecto de voz robótica que cambia el carácter espectral de la voz puede hacer que sangre hacia el stem "other" en lugar de aislarse limpiamente.

De manera similar, los efectos de guitarra extremos como pedales de fuzz y efectos de octava cambian la huella espectral de la guitarra lo suficiente como para que el modelo pueda clasificar erróneamente parte de ella.

Confusión de Frecuencias de Bajo

Las frecuencias de sub-bajo por debajo de los 80 Hz son difíciles de separar porque todo en ese rango —bajo eléctrico, bombo, bajo de sintetizador— se mezcla en una masa retumbante en el espectrograma. Los bombos estilo 808 que se extienden hasta el territorio del sub-bajo son particularmente problemáticos, ya que se superponen espectralmente con las líneas de bajo. A menudo escucharás el sangrado de los 808 tanto en las salidas de batería como de bajo.

Archivos Fuente de Baja Calidad

Pasar un MP3 de 128kbps por un separador de stems no solo te da una salida de menor calidad: activamente introduce artefactos porque el algoritmo de compresión MP3 ya ha descartado información de audio e introducido artefactos de ringing. El modelo puede interpretar esos artefactos como señal de instrumento. Para mejores resultados, usá MP3 de 320kbps o archivos sin pérdida (WAV, FLAC).

Casos de Uso Prácticos y Qué Esperar

Creación de Pistas de Karaoke

Este es el caso de uso de mayor volumen y donde la separación de IA funciona mejor en la práctica. Una grabación de estudio moderna y limpia separada con HTDemucs te dará una pista instrumental donde el sangrado vocal es lo suficientemente sutil como para no ser molesto. Agregar un corte bajo suave y compresión multibanda a la salida instrumental mejora aún más los resultados. Consultá nuestro resumen de las mejores herramientas de eliminación vocal para una comparación de servicios.

El eliminador de vocales de StemSplit ejecuta htdemucs_ft optimizado específicamente para este caso de uso.

Práctica Musical y Aprendizaje

Aislar stems para practicar es otro uso excelente de la tecnología. Eliminar la guitarra de una grabación para tocar junto a ella, o extraer solo la parte de piano para aprenderla de oído, funciona bien con los modelos modernos. El leve sangrado de otros instrumentos no interfiere con aprender la parte. También podés usar el stem aislado para escuchar detalles finos de la técnica de un músico que están enterrados en la mezcla completa.

Mashups de DJ y Actuaciones en Vivo

Los DJs usan acapellas e instrumentales separados por stems para mashups y mezclas de stems en vivo. El listón de calidad aquí es más permisivo que en producción de estudio: en un ambiente de club con un sistema de sonido potente, el sangrado vocal a bajo nivel es inaudible. Artistas como Girl Talk construyeron carreras enteras alrededor de combinaciones de voz sobre instrumental con calidad mucho más baja de la que produce la IA moderna.

Producción y Sampling

Aquí es donde la separación de IA choca contra límites reales. Si estás usando batería o bajo aislados en una producción nueva, necesitarás limpiar los stems en iZotope RX o similares antes de que estén listos para publicar. Para la producción de hip-hop basada en samples, el stem de batería de una separación de IA suele ser utilizable después de un filtro de paso alto y algo de EQ para eliminar el sangrado de bajo.

Para lanzamientos comerciales que requieren estrictamente samples limpios, la separación de IA por sí sola generalmente no es suficiente: necesitás la sesión multipista original.

Cómo Obtener los Mejores Resultados

Usá el Archivo Fuente de la Más Alta Calidad Disponible

Sin pérdida es mejor que MP3. El MP3 de 320kbps es significativamente mejor que el de 128kbps. Si tenés una versión FLAC o WAV, usá siempre esa. Los archivos de baja tasa de bits introducen artefactos de compresión que el modelo puede confundir con señal de instrumento, degradando cada salida de stem.

Evitá Grabaciones en Vivo y Bootlegs

Las grabaciones de estudio siempre se separan de forma más limpia porque la mezcla fue controlada. Las grabaciones en vivo tienen ambiente natural de sala, ruido de multitud y sangrado de escenario entre micrófonos que confunden al modelo. Incluso una excelente grabación en vivo producirá stems notablemente peores que una mezcla de estudio promedio de la misma canción.

Probá un Clip Corto Antes de Comprometerte

Antes de procesar una pista completa de 5 minutos, subí una sección de 30 segundos de la parte más compleja (generalmente el coro) para verificar que la calidad es adecuada. Si la salida es problemática en el coro, no mejorará en otra parte. Esto es especialmente útil cuando no estás seguro de si un género o estilo de producción particular se separará bien.

Posprocesá la Salida

Un filtro de paso alto suave (alrededor de 80–100 Hz) en los stems vocales separados elimina el retumbo de sub-bajo del sangrado. Un modelador de transientes puede restaurar el golpe si el stem de batería suena ligeramente suave. La compresión multibanda ayuda a ajustar un instrumental que tiene fantasmas vocales ocasionales. Estas correcciones generalmente toman menos de dos minutos y mejoran notablemente la usabilidad de la salida.

Calibrá Tus Expectativas

La separación de IA en 2026 es genuinamente impresionante, muy por encima de lo que era posible incluso hace cuatro años. No es magia. Entender qué puede y qué no puede hacer te ayuda a usarla de manera efectiva en lugar de sorprenderte por sus límites. Si querés ejecutarlo localmente en tu propia máquina, nuestra guía de configuración de Demucs recorre el proceso de instalación completo. Si preferís una opción en línea sin configuración, nuestro tutorial de Demucs online cubre ese flujo de trabajo.

Probalo Vos Mismo

La mejor manera de entender la separación de stems es procesar algunas pistas y escuchar con atención crítica. El separador de stems de StemSplit ejecuta htdemucs_ft en servidores respaldados por GPU y procesa pistas en menos de dos minutos. Subí cualquier canción y obtené una vista previa de 30 segundos antes de comprometerte: no se requiere cuenta.

Separá una canción gratis →

---

Preguntas Frecuentes

¿La separación de stems con IA es perfecta?

No. Los modelos actuales producen muy buenos resultados —la mayoría de los usuarios encuentran la salida útil para sus propósitos— pero siempre hay algo de sangrado de instrumentos adyacentes. La diferencia de calidad entre los modelos de 2022 y 2026 es significativa, y la mejora continúa. BS-RoFormer representa el techo actual; las arquitecturas futuras lo elevarán aún más.

¿Cuál es la diferencia entre separación de stems y eliminación de vocales?

La eliminación de vocales es una aplicación específica de la separación de stems centrada en la división vocales/instrumental. La separación de stems es el proceso más amplio de descomponer una mezcla en cualquier número de componentes (vocales, batería, bajo, otros instrumentos). Todos los eliminadores de vocales hacen separación de stems, pero no todos los separadores de stems se usan para eliminación de vocales.

¿Cómo se compara con tener los stems originales del estudio?

Los stems originales del estudio siempre son mejores: tienen aislamiento perfecto porque no ha ocurrido mezcla. Los stems separados por IA tendrán algo de sangrado residual que los stems originales no tienen. Para uso de producción profesional, los stems originales son preferibles cuando están disponibles. Para todo lo demás, la separación de IA es una alternativa práctica.

¿Qué modelo debería usar?

Para la mayoría de los propósitos: htdemucs_ft. Produce los mejores resultados de calidad general en los cuatro stems. Usá htdemucs_6s si necesitás específicamente guitarra y piano separados. Usá mdx_extra si la calidad de aislamiento vocal es tu única preocupación y estás dispuesto a aceptar una salida peor de batería/bajo. Spleeter solo vale la pena considerar si estás procesando a muy alto volumen y la velocidad importa más que la calidad.

¿En qué formato debería subir para obtener los mejores resultados?

WAV o FLAC (sin pérdida) da los mejores resultados. MP3 de alta calidad (320kbps) es casi igual de bueno. Evitá los MP3 de baja calidad (por debajo de 192kbps) ya que los artefactos de compresión degradan la calidad de separación.

¿Por qué mi vocal aislada todavía tiene algo de música debajo?

Esto es el artefacto de sangrado descrito arriba: una limitación fundamental de los enfoques actuales basados en máscaras. La cantidad de sangrado depende del género, la calidad de la mezcla y el modelo utilizado. Las herramientas basadas en HTDemucs lo minimizan más que los modelos más antiguos, pero no desaparece por completo. BS-RoFormer lo reduce aún más, particularmente en vocales con mucha reverb.

¿Cómo será la separación de stems en cinco años?

La trayectoria apunta hacia una mejora continua en géneros desafiantes, mejor manejo del procesamiento de efectos extremos, y probablemente la capacidad de separar elementos individuales de batería (bombo, redoblante, hi-hat) con alta precisión. La separación en tiempo real en hardware de consumo ya se está volviendo práctica. El cambio arquitectónico de CNNs basadas en máscaras hacia enfoques generativos basados en Transformer y difusión probablemente producirá stems que sean difíciles de distinguir de los multitracks originales en la mayoría del material.