Tentang StemSplit
Membuat pemisahan audio profesional dapat diakses oleh semua orang.
Misi Kami
Kami percaya semua orang harus memiliki akses ke alat audio profesional. Baik Anda produser kamar tidur, penggemar karaoke, atau kreator konten, StemSplit memberikan hasil kualitas studio tanpa anggaran studio. Kami membangun secara terbuka, dan saran Anda secara langsung membentuk roadmap kami.
Siapa yang kami layani
- Produser musik dan DJ
- Penggemar karaoke
- Kreator konten dan YouTuber
- Podcaster dan editor audio
- Pendidik musik dan pelajar
- Pengembang yang membangun aplikasi audio
Dibangun di atas teknologi yang serius
StemSplit memakai HTDemucs — model hybrid transformer mutakhir yang dikembangkan Meta Research dan dipublikasikan di NeurIPS 2022. Model yang sama dipakai peneliti, tapi bisa diakses lewat antarmuka web yang bersih.
Model HTDemucs
HTDemucs adalah model hybrid transformer/konvolusional yang bekerja sekaligus di domain waveform dan spektrogram. Pendekatan dua domain inilah yang membuatnya lebih akurat dibanding model CNN lama seperti Demucs v3 atau Spleeter.
Ekspor ONNX
Kami mengekspor model ke format ONNX — standar terbuka untuk interoperabilitas machine learning. Artinya model berjalan tanpa PyTorch, jadi lebih ringan, cepat, dan portabel. Bobot ONNX sudah kami terbitkan di HuggingFace agar siapa pun bisa memakai.
Hingga 6 stem
Mode standar memisahkan audio menjadi vokal, drum, bass, dan other. Model 6 stem juga memisahkan gitar dan piano. Varian fine-tuned (htdemucs_ft) tersedia untuk ekstraksi satu stem dengan akurasi lebih tinggi.
Tanpa GPU di perangkat Anda
Pemrosesan sepenuhnya di cloud. Anda unggah file, kami menjalankan inferensi di server, lalu Anda unduh stem yang sudah dipisah. Tidak ada software yang perlu dipasang, tidak perlu GPU di sisi Anda.
Siapa yang membangun ini
StemSplit dibangun oleh developer solo yang terus menemui frustasi yang sama: alat penghapus vokal yang ada biasanya terkunci di balik langganan bulanan yang mudah lupa dibatalkan, atau memakai kredit yang kedaluwarsa sebelum Anda membutuhkannya lagi.
Tujuannya sederhana — bangun alat yang seharusnya sudah ada. Anda bayar harga yang adil untuk yang benar-benar dipakai, saldo tidak pernah kedaluwarsa, dan kualitas hasilnya cukup bagus sehingga tidak perlu mencoba tiga layanan berbeda.
Ini produk independen. Tidak ada uang VC, tidak ada tim growth, tidak ada telepon penjualan. Hanya alat yang bekerja, dihargai jujur, dirawat oleh satu orang yang juga memakainya. Roadmap didorong pengguna — kalau Anda punya saran, itu benar-benar dibaca.
Dibangun secara terbuka
Pengembangan terjadi terang-terangan. Paket diterbitkan di GitHub, PyPI, npm, dan HuggingFace. Metodologi benchmark bersifat publik. Kalau ada yang rusak, diperbaiki dan perbaikannya kelihatan.
Lebih dari sekadar situs
StemSplit juga platform untuk developer. Mesin pemisahan yang sama dengan aplikasi web tersedia lewat beberapa saluran distribusi.
REST API
Akses terprogram penuh ke pemisahan stem. Kirim job, cek status, unduh hasil. Dipakai developer yang membangun alat sendiri di atas StemSplit.
Paket Python
stemsplit-python di PyPI. Jalankan pemisahan secara lokal atau panggil API dari skrip Python dan pipeline data.
Alat CLI
stemsplit lewat Homebrew. Pisahkan file audio dari terminal dengan satu perintah. Berguna untuk pemrosesan batch dan skrip shell.
Node n8n
n8n-nodes-stemsplit di npm. Pisahkan stem dengan seret-dan-lepas di alur otomasi n8n — tanpa kode.
Server MCP
stemsplit-mcp di npm. Mengekspos pemisahan stem sebagai alat yang bisa dipanggil langsung oleh agen AI (Claude, GPT, dll.) lewat Model Context Protocol.
Integrasi Zapier
Hubungkan StemSplit ke ribuan aplikasi lewat Zapier. Picu pemisahan dari unggahan Google Drive, email baru, kiriman formulir, dan lainnya.
Metodologi terbuka
Kami membangun dan memublikasikan dataset benchmark di HuggingFace yang mengevaluasi beberapa varian model HTDemucs pada lagu nyata. Evaluasinya memakai Signal-to-Distortion Ratio (SDR) — metrik akademis standar untuk kualitas source separation — plus tes dengar di berbagai genre dan jenis stem.
Lihat dataset benchmark di HuggingFaceEvaluation metric
Apa itu SDR?
SDR (Signal-to-Distortion Ratio) mengukur seberapa bersih model memisahkan sumber target dari mix, dalam desibel. Semakin tinggi, semakin baik. Metrik yang sama dipakai di benchmark SiSEC Music Separation, evaluasi akademis standar untuk masalah ini.
Typical SDR scores (HTDemucs)
Source: StemSplit benchmark dataset on HuggingFace. Higher SDR = cleaner separation.
Kenapa kami menagih seperti ini
Kebanyakan alat audio memakai langganan karena langganan menguntungkan bisnis — menghasilkan pendapatan yang bisa diprediksi meski pengguna jarang masuk. Bukan begitu cara kami ingin bekerja.
StemSplit memakai model kredit bayar sesuai pemakaian. Anda beli menit pemrosesan dan menit itu tidak pernah kedaluwarsa. Pisahkan satu lagu sebulan, bayar satu lagu. Proses satu album sekaligus, bayar sebesar itu. Tidak ada paket yang harus di-upgrade, tidak ada fitur yang dikunci di tingkat lebih mahal.
Paket gratis memberi setiap pengguna baru 5 menit untuk mencoba produk secara nyata — bukan pratinjau berwatermark atau klip 30 detik. Lima menit penuh hasil yang sebenarnya.
How it works
- Kredit tidak pernah kedaluwarsa — sama sekali
- Tidak wajib berlangganan
- 5 menit gratis saat daftar, tanpa kartu
- Kualitas yang sama di setiap tingkat harga
- Akses API penuh sudah termasuk
Yang Kami Yakini
Kesederhanaan Utama
Teknologi kompleks harus mudah digunakan. Unggah, proses, unduh — itu saja.
Harga Transparan
Tanpa langganan, tanpa kredit kedaluwarsa. Bayar yang Anda gunakan, saat Anda menggunakannya.
Membangun Secara Terbuka
Kami membangun secara terbuka bersama komunitas kami. Saran dan masukan Anda tidak hanya didengar — mereka adalah roadmap kami.