Stem Separation Spiegata: Come l'IA Divide la Musica in Parti (2026)

Se hai mai usato uno strumento basato sull'IA per rimuovere la voce o isolare la batteria da una canzone, hai già sperimentato la Stem Separation. Ma come funziona davvero? Perché su certi brani suona benissimo mentre su altri lascia artefatti evidenti? E cosa succede all'interno di questi modelli per farli migliorare di anno in anno?

Questo articolo copre il quadro completo — la scienza, i limiti pratici e cosa puoi aspettarti concretamente quando elabori una canzone con uno stem separator nel 2026.

Cos'è la Stem Separation?

La Stem Separation (chiamata anche separazione delle sorgenti, audio demixing o music unmixing) è il processo computazionale che decompone una registrazione audio missata nelle sue componenti individuali. Una tipica canzone pop che arriva come singolo file stereo contiene tutto registrato insieme: la voce principale, le armonie, il kick drum, lo snare, il basso, le chitarre, le tastiere e tutto il resto che il producer ha aggiunto. La Stem Separation tenta di invertire matematicamente quel processo di missaggio.

La parola "stem" viene dalla terminologia della produzione musicale. In uno studio di registrazione, uno stem è un submix — un singolo file audio che contiene un gruppo di strumenti correlati missati insieme. Un producer potrebbe esportare uno "stems di batteria" con tutte le tracce percussive, uno "stems di voce" con tutti i layer vocali, e così via. Questi stem facilitano il passaggio del progetto a un mastering engineer o a un supervisore musicale senza dover condividere ogni singola traccia.

La Stem Separation con l'IA moderna produce questi stessi output — lavorando però a ritroso dal mix stereo finale anziché dal multitraccia originale. Per una panoramica più ampia su cosa puoi fare con gli stem separati, leggi la nostra guida all'AI stem splitter.

I quattro stem standard a cui puntano la maggior parte degli strumenti sono:

• Vocals — voce principale, voci di supporto, armonie e qualsiasi parlato
• Drums — la batteria completa: kick, snare, tom, hi-hat, piatti e percussioni
• Bass — basso elettrico, synth bass e strumenti tonali a bassa frequenza
• Other — tutto il resto: chitarre, tastiere, synth, archi, fiati, effetti

I modelli più avanzati a 6 stem aggiungono Guitar e Piano come output separati, anche se questi sono più difficili da isolare in modo affidabile perché chitarre e tastiere si sovrappongono in frequenza con molti altri strumenti.

Perché i Vecchi Metodi Fallivano

Per apprezzare quanto sia impressionante la separazione con l'IA moderna, è utile capire cosa c'era prima.

Cancellazione di Fase (anni '60–2010)

Il trucco più antico era la cancellazione di fase. Se prendi un file stereo, inverti un canale e poi sommi in mono, tutto ciò che è identico in entrambi i canali si cancella. In molti mix pop, la voce principale veniva registrata in mono e posizionata al centro — quindi appariva identica nel canale sinistro e destro. Invertendo e sommando la si eliminava.

Il problema ovvio: qualsiasi cosa al centro veniva rimossa insieme alla voce. In genere questo includeva kick drum, basso, snare e tutti gli altri elementi centrati. Lo "strumentale" che ne risultava era svuotato. E se la voce aveva effetti stereo (riverbero, chorus), quelle parti sopravvivevano alla cancellazione lasciando artefatti fantasma. Questo metodo spiega perché i vecchi "vocal remover" suonavano così male.

Filtraggio in Frequenza

Un approccio più grezzo: tagliare le bande di frequenza più associate alla voce umana (circa da 200 Hz a 3 kHz). Questo danneggiava l'intero mix perché chitarre, pianoforte e batteria occupano esattamente quelle stesse frequenze. Si attutiva la voce parzialmente mentre si distruggeva tutto il resto.

Editing Spettrale

L'editing spettrale manuale con uno strumento come iZotope RX permette a un ingegnere esperto di "dipingere" sopra i componenti vocali in una vista spettrogramma e sostituirli con silenzio o approssimazioni riempite di rumore. Questo può funzionare sorprendentemente bene su piccole sezioni — ripulire una zona in cui una porta ha sbattuto, o rimuovere una breve frase parlata. Ma farlo su un'intera canzone richiede ore di lavoro specializzato, e i risultati mostrano comunque cuciture evidenti.

Nessuno di questi approcci riusciva a produrre stem separati puliti sull'intera durata del brano. L'IA ha cambiato tutto.

Come Funziona la Stem Separation con l'IA Moderna

I sistemi attuali sono reti neurali profonde addestrate a riconoscere i pattern spettrali e temporali che distinguono una sorgente sonora da un'altra nel mix.

Passo 1: Convertire l'Audio in uno Spettrogramma

L'audio grezzo è una forma d'onda — una serie temporale di valori di pressione campionati migliaia di volte al secondo. Ma le reti neurali funzionano meglio con una rappresentazione 2D che mostra come il contenuto in frequenza di un segnale cambia nel tempo. Lo strumento standard per questa conversione è la Short-Time Fourier Transform (STFT), che produce uno spettrogramma: una griglia in cui l'asse orizzontale è il tempo, l'asse verticale è la frequenza, e la luminosità (o il colore) in ogni punto rappresenta quanto è forte quella frequenza in quel momento.

Puoi immaginarlo come un piano roll, ma invece di mostrare note discrete, mostra l'intero spettro di frequenze continuo di tutto ciò che suona contemporaneamente. Un colpo di snare appare diverso da un accordo di chitarra, che appare diverso da una nota vocale sostenuta — e tutti appaiono diversi dal basso. Lo spettrogramma rende visibili queste differenze.

Passo 2: Cosa Impara Davvero la Rete Neurale

Il modello viene addestrato su un dataset di canzoni in cui gli stem isolati sono già noti — in sostanza imparando da migliaia di registrazioni multitraccia che sono state "missate" in software. Per ogni esempio di addestramento, il modello vede lo spettrogramma della canzone missata insieme agli spettrogrammi di ogni singolo stem.

Durante l'addestramento, la rete impara che certe forme spettrali, texture e pattern di movimento sono associati alla voce piuttosto che alla batteria o al basso. Impara che le frequenze del basso tendono ad avere note lunghe e sostenute. Che la batteria crea linee verticali nitide (transienti) su molte frequenze contemporaneamente. Che la voce ha strutture formantiche distintive — pattern di frequenze risonanti specifici della voce umana che cambiano al variare delle vocali.

Le architetture moderne più capaci, come Hybrid Transformer Demucs (HTDemucs), elaborano il segnale audio in due flussi paralleli contemporaneamente:

• Un flusso nel dominio del tempo che opera direttamente sulla forma d'onda grezza, particolarmente bravo a catturare transienti, timing e relazioni di fase
• Un flusso nel dominio delle frequenze che opera sullo spettrogramma ed eccelle nell'identificare contenuto tonale, armonici e texture spettrali

Un meccanismo di attenzione basato su Transformer consente poi al flusso di informazioni tra i due stream, permettendo al modello di combinare ciò che impara da ciascuno. Questo approccio a doppio percorso è il motivo per cui HTDemucs supera i modelli precedenti che usavano una sola rappresentazione.

Passo 3: Stima della Maschera

Invece di predire direttamente la forma d'onda di output per ogni stem, la maggior parte delle architetture lavora stimando una maschera — una griglia delle stesse dimensioni dello spettrogramma di input in cui ogni cella contiene un valore tra 0 e 1, che rappresenta quanto di quella frequenza in quel momento appartiene a quel particolare stem.

Applica la maschera della batteria allo spettrogramma originale e sopprimi tutto ciò che non assomiglia alla batteria. Applica la maschera delle vocals e sopprimi tutto ciò che non assomiglia alla voce. Il masking morbido (dove i valori sono frazionari anziché 0/1 binario) preserva più qualità audio rispetto ai tagli netti, ed è per questo che è diventato lo standard.

Passo 4: Riconvertire in Audio

Una volta calcolati gli spettrogrammi mascherati per ogni stem, il passo finale è riconvertirli in forme d'onda audio usando la Inverse STFT. Il risultato è un set di file audio — uno per stem — che sommati insieme dovrebbero approssimativamente ricostruire la traccia missata originale.

La differenza di qualità che senti tra i vari strumenti dipende principalmente da: quanti dati di addestramento hanno usato, quanto è grande e sofisticata l'architettura del modello, e se la strategia di masking preserva i dettagli fini come le code di riverbero e i transienti d'attacco.

Confronto tra i Principali Modelli di IA

Una manciata di modelli open-source ha definito lo stato dell'arte dal 2019. Capire le loro differenze aiuta a spiegare perché i vari strumenti suonano in un certo modo. Tutti i valori SDR qui sotto si riferiscono allo stem vocals sul benchmark MUSDB18, il test set standard usato in tutta la comunità di ricerca.

Confronto Rapido

Spleeter (Deezer, 2019)

Spleeter è stato il primo modello open-source ampiamente accessibile per la Stem Separation e ha avuto un impatto enorme — improvvisamente chiunque poteva eseguire una separazione di qualità ragionevole sulla propria macchina. Usa un'architettura U-Net (una rete encoder-decoder con skip connections) che opera puramente nel dominio delle frequenze.

Punti di forza: Veloce, leggero, funziona su hardware modesto, facile da distribuire, ancora adeguato per l'uso karaoke di base.
Punti deboli: Il bleeding è chiaramente udibile in molte canzoni, fatica con vocals ricche di riverbero, la qualità in modalità a 5 stem cala in modo evidente rispetto a quella a 2 stem.
Vocals SDR: ~6.5 dB su MUSDB18.

Per un confronto diretto tra Spleeter e Demucs su vari generi con tabelle SDR, leggi il nostro articolo Spleeter vs Demucs.

Demucs v3 (Meta/Facebook, 2021)

Demucs v3 ha introdotto l'elaborazione nel dominio del tempo affiancata a quella nel dominio delle frequenze, rappresentando un salto significativo rispetto a Spleeter. Elabora la forma d'onda grezza direttamente tramite una rete encoder-decoder con convoluzioni con gate, il che gli conferisce una migliore coerenza di fase e transienti più nitidi — particolarmente evidente sugli stem di batteria e basso dove il timing è fondamentale.

Punti di forza: Transienti più puliti di Spleeter, migliore coerenza di fase, buoni risultati su CPU senza GPU.
Punti deboli: Più lento di Spleeter, non beneficia del context modeling Transformer, HTDemucs produce risultati migliori a costo computazionale simile.
Vocals SDR: ~7.3 dB su MUSDB18.

HTDemucs (Meta/Facebook, 2022)

L'attuale standard mainstream. HTDemucs aggiunge un meccanismo di attenzione Transformer che consente al modello di ragionare su contesti temporali più lunghi — capendo che la nota di basso che suona nella battuta 1 è probabilmente correlata a quella nella battuta 3, non casuale. Questa modellazione delle dipendenze a lungo raggio è ciò che lo rende migliore con la musica armonica complessa rispetto ai modelli precedenti basati solo su convoluzioni.

Punti di forza: Migliore qualità complessiva su tutti e quattro gli stem, gestisce bene i mix densi, code di riverbero più pulite, migliore separazione del basso, disponibile come open-source gratuito tramite il Demucs GitHub.
Punti deboli: Più lento di Spleeter, richiede più risorse computazionali, occasionale bleeding a bassa frequenza su mix molto densi.
Vocals SDR: ~8.7 dB su MUSDB18 — circa il 35% di qualità superiore a Spleeter sulla metrica standard.

HTDemucs Fine-Tuned (htdemucs_ft) è una versione ulteriormente addestrata su un dataset curato più piccolo. Sui brani medi si comporta in modo simile all'HTDemucs base, ma su certi generi (in particolare pop e R&B) produce risultati notevolmente più puliti. StemSplit esegue htdemucs_ft su tutti i job per impostazione predefinita. HTDemucs 6s (htdemucs_6s) aggiunge chitarra e pianoforte come output separati — utile per la produzione musicale, anche se la precisione su quegli stem extra è inferiore rispetto ai quattro standard.

MDX-Net (Music Demixing Challenge, 2021)

I modelli MDX-Net sono emersi dal Sound Demixing Challenge e usano approcci ensemble — combinando più modelli i cui output vengono mediati insieme. La variante mdx_extra è stata addestrata su dati aggiuntivi rispetto al set di benchmark standard.

Punti di forza: Competitivo o leggermente migliore di HTDemucs nell'isolamento vocale specificamente; utile quando la qualità vocale è l'unica priorità.
Punti deboli: Meno performante di HTDemucs su batteria e basso; più lento per via del calcolo ensemble; meno versatile.
Vocals SDR: ~9.0 dB su MUSDB18 per mdx_extra — forte sulle vocals, più debole sugli altri stem.

In pratica, la differenza tra htdemucs_ft e mdx_extra sulla musica reale è minore di quanto suggeriscano i numeri del benchmark. Quale sia "migliore" dipende spesso dal genere specifico e dalle caratteristiche del mix della canzone.

BS-RoFormer (2024) — Stato dell'Arte Attuale

La nuova generazione. BS-RoFormer (Band-Split RoFormer) applica un Roformer (una variante Transformer con rotary position embeddings) alla rappresentazione del segnale band-split, dove lo spettro audio viene diviso in sotto-bande e ogni banda viene elaborata con attention head dedicati. Questa architettura consente al modello di ragionare simultaneamente sui dettagli di frequenza a grana fine e sulla struttura temporale a lungo raggio.

Punti di forza: Miglior SDR vocale di qualsiasi modello pubblicato al 2026, riduce significativamente gli artefatti metallici comuni nei modelli più vecchi, gestisce eccezionalmente bene le vocals ricche di riverbero.
Punti deboli: Computazionalmente intensivo, non ancora diffuso come HTDemucs, richiede infrastrutture più recenti per funzionare in modo efficiente.
Vocals SDR: ~10.9 dB su MUSDB18 — un miglioramento significativo rispetto a HTDemucs, particolarmente udibile su materiale impegnativo.

BS-RoFormer sta iniziando ad apparire negli strumenti commerciali e rappresenta la direzione verso cui si sta muovendo il settore.

Come Suona Davvero la Qualità della Separazione

I numeri SDR sono utili per confrontare i modelli in modo oggettivo, ma non ti dicono come suonano gli artefatti nella pratica. Ecco cosa aspettarti.

Il Problema del Bleeding

Nessun modello di IA produce stem perfettamente isolati. Una parte del segnale delle sorgenti adiacenti "sanguina" sempre in ogni output. Su una traccia vocale isolata, sentirai tipicamente un debole fantasma di ciò che era più forte nel mix — spesso kick drum o snare. Su una traccia strumentale, sentirai un'ombra fievole e leggermente processata della voce.

Il bleeding è di solito abbastanza sottile da non rovinare il caso d'uso. Per il karaoke, un accenno di artefatto vocale sotto lo strumentale è molto meno evidente della voce originale a pieno volume. Per il campionamento di drum break, una traccia di basso sotto la traccia batteria è generalmente inudibile nel contesto.

Il bleeding diventa un vero problema nei flussi di lavoro del missaggio professionale — se stai cercando di remixare una traccia pubblicata commercialmente e hai bisogno di stem davvero puliti per una release in club, la separazione con l'IA in genere non è abbastanza pulita senza ulteriore elaborazione manuale in iZotope RX o strumenti simili.

Code di Riverbero e Transienti

Le code di riverbero sono una delle cose più difficili da gestire per i modelli di IA. Quando una cantante canta una frase lunga con molto riverbero, la coda di riverbero si estende oltre la voce e si diffonde nello spettrogramma in un modo difficile da attribuire in modo pulito alla voce o allo sfondo. I modelli moderni se la cavano discretamente, ma spesso sentirai il riverbero comportarsi leggermente diverso sullo stem separato rispetto al mix originale.

I transienti — gli attacchi netti di batteria, plettrate di chitarra e tasti di pianoforte — sono gestiti molto meglio ora rispetto ai modelli che usavano solo il dominio delle frequenze. Il flusso nel dominio del tempo di HTDemucs preserva il dettaglio dell'attacco abbastanza bene da far sì che le tracce di batteria separate suonino in genere incisive e naturali.

Il Genere Conta Molto

La qualità della separazione varia sostanzialmente in base al genere:

La musica pop da studio e quella elettronica tendono a separarsi meglio perché la produzione moderna tiene già gli strumenti in zone di frequenza relativamente distinte. Jazz e classica sono le più difficili perché tutto è profondamente intrecciato armonicamente e registrato con l'acustica naturale della sala.

Quando la Separazione con l'IA Fallisce (e Perché)

Capire i casi di fallimento ti aiuta a prevedere quando otterrai buoni risultati e quando no.

Eterofonia e Raddoppio

Quando due strumenti suonano la stessa nota contemporaneamente — una voce raddoppiata da una linea di pianoforte all'ottava, o una chitarra all'unisono con le tastiere — il modello spesso non riesce a decidere in quale stem inserirla. Otterrai la parte raddoppiata divisa tra due output, o assegnata interamente a quella sbagliata.

Elaborazione Effetti Estrema

La distorsione vocale pesante (come vocals auto-tunate, pitch-shiftate o vocodate) confonde i modelli che hanno imparato a riconoscere i pattern formantici naturali della voce umana. Un effetto robot-voice che cambia il carattere spettrale della voce può farla finire nello stem "other" invece di essere isolata in modo pulito.

Allo stesso modo, effetti per chitarra estremi come fuzz pedal e octave effect cambiano abbastanza la firma spettrale della chitarra da far sì che il modello possa classificarne una parte in modo errato.

Confusione nelle Frequenze Basse

Le frequenze sub-bass sotto circa 80 Hz sono difficili da separare perché tutto in quella gamma — basso elettrico, kick drum, synth bass — si fonde in una massa rimbombante nello spettrogramma. I kick drum in stile 808 che si estendono fino al sub-bass sono particolarmente problematici, in quanto si sovrappongono spectralmente alle linee di basso. Sentirai spesso gli 808 fare bleeding sia nell'output della batteria che in quello del basso.

File Sorgente di Bassa Qualità

Passare un MP3 a 128kbps attraverso uno stem separator non dà solo un output di qualità inferiore — introduce attivamente artefatti perché l'algoritmo di compressione MP3 ha già scartato informazioni audio e introdotto artefatti di ringing. Il modello potrebbe interpretare quegli artefatti come segnale di uno strumento. Per i migliori risultati, usa MP3 a 320kbps o file lossless (WAV, FLAC).

Casi d'Uso Pratici e Cosa Aspettarsi

Creazione di Basi Karaoke

Questo è il caso d'uso con il volume più alto e quello in cui la separazione con l'IA funziona meglio in pratica. Una registrazione da studio moderna e pulita separata con HTDemucs ti darà una traccia strumentale in cui il bleeding vocale è abbastanza sottile da non essere distraente. Aggiungere un leggero low cut e una compressione multibanda all'output strumentale migliora ulteriormente i risultati. Leggi la nostra panoramica dei migliori strumenti vocal remover per un confronto tra i servizi.

Il vocal remover di StemSplit esegue htdemucs_ft ottimizzando specificamente per questo caso d'uso.

Studio e Apprendimento Musicale

Isolare gli stem per lo studio è un altro ottimo utilizzo della tecnologia. Rimuovere la chitarra da una registrazione per suonarci sopra, o estrarre solo la parte di pianoforte per impararla a orecchio, funziona bene con i modelli moderni. Il leggero bleeding degli altri strumenti non interferisce con l'apprendimento della parte. Puoi anche usare lo stem isolato per sentire i dettagli fini della tecnica di un musicista che sono sepolti nel mix completo.

Mashup da DJ e Performance dal Vivo

I DJ usano acapelle e strumentali ottenute tramite separazione per mashup e missaggio live degli stem. Lo standard qualitativo qui è più permissivo rispetto alla produzione in studio — in un ambiente club con un impianto audio potente, il bleeding vocale a basso livello è inudibile. Artisti come Girl Talk hanno costruito intere carriere attorno a combinazioni voce-strumentale di qualità molto inferiore a quella che l'IA moderna produce.

Produzione e Campionamento

Qui è dove la separazione con l'IA incontra i suoi limiti reali. Se stai usando batteria o basso isolati in una nuova produzione, dovrai pulire gli stem in iZotope RX o simili prima che siano pronti per la release. Per la produzione hip-hop basata su campioni, lo stem della batteria da una separazione IA è tipicamente utilizzabile dopo un filtro high-pass e un po' di EQ per rimuovere il bleeding del basso.

Per le release commerciali che richiedono campioni davvero puliti, la separazione con l'IA da sola di solito non è sufficiente — serve la sessione multitraccia originale.

Come Ottenere i Migliori Risultati

Usa il File Sorgente di Qualità Più Alta Disponibile

Il lossless è meglio dell'MP3. L'MP3 a 320kbps è significativamente migliore del 128kbps. Se hai una versione FLAC o WAV, usala sempre. I file a basso bitrate introducono artefatti di compressione che il modello può confondere con il segnale di uno strumento, degradando ogni output degli stem.

Evita Registrazioni Live e Bootleg

Le registrazioni da studio si separano sempre in modo più pulito perché il mix era controllato. Le registrazioni live hanno risonanza naturale della sala, rumore del pubblico e bleeding tra i microfoni sul palco che confondono il modello. Anche una grande registrazione live produrrà stem notevolmente peggiori rispetto a un mix da studio medio della stessa canzone.

Testa un Breve Clip Prima di Procedere

Prima di elaborare una traccia completa di 5 minuti, carica una sezione di 30 secondi della parte più complessa (di solito il ritornello) per verificare che la qualità sia adeguata. Se l'output è problematico sul ritornello, non migliorerà altrove. Questo è particolarmente utile quando non sei sicuro se un genere o uno stile di produzione particulare si separerà bene.

Post-Elabora l'Output

Un leggero filtro high-pass (intorno agli 80–100 Hz) sugli stem vocali separati rimuove il ronzio sub-bass dal bleeding. Un transient shaper può ripristinare l'incisività se lo stem della batteria suona leggermente morbido. La compressione multibanda aiuta a compattare uno strumentale che ha occasionali ombre vocali. Queste correzioni richiedono di solito meno di due minuti e migliorano notevolmente l'utilizzabilità dell'output.

Calibra le Tue Aspettative

La Stem Separation con l'IA nel 2026 è genuinamente impressionante — ben oltre ciò che era possibile anche solo quattro anni fa. Non è magia. Capire cosa può e non può fare ti aiuta a usarla efficacemente invece di essere sorpreso dai suoi limiti. Se vuoi eseguirla localmente sulla tua macchina, la nostra guida all'installazione di Demucs descrive l'intero processo di installazione. Se preferisci un'opzione online senza configurazione, il nostro tutorial su Demucs online copre quel flusso di lavoro.

Provalo Tu Stesso

Il modo migliore per capire la Stem Separation è elaborare alcune tracce e ascoltare in modo critico. Lo stem splitter di StemSplit esegue htdemucs_ft su server con GPU ed elabora le tracce in meno di due minuti. Carica qualsiasi canzone e ottieni un'anteprima di 30 secondi prima di procedere — nessun account richiesto.

Dividi una Canzone Gratis →

---

FAQ

La Stem Separation con l'IA è perfetta?

No. I modelli attuali producono risultati molto buoni — la maggior parte degli utenti trova l'output utile per i propri scopi — ma c'è sempre un po' di bleeding dagli strumenti adiacenti. La differenza di qualità tra i modelli del 2022 e quelli del 2026 è significativa, e il miglioramento continua. BS-RoFormer rappresenta il tetto attuale; le architetture future lo spingeranno ancora più in alto.

Qual è la differenza tra Stem Separation e rimozione vocale?

La rimozione vocale è un'applicazione specifica della Stem Separation focalizzata sulla divisione vocals/strumentale. La Stem Separation è il processo più ampio di decomporre un mix in un numero qualsiasi di componenti (vocals, drums, bass, altri strumenti). Tutti i vocal remover fanno Stem Separation, ma non tutti gli stem separator vengono usati per la rimozione vocale.

Come si confronta con gli stem originali dello studio?

Gli stem originali da studio sono sempre migliori — hanno un isolamento perfetto perché non è avvenuto alcun missaggio. Gli stem separati con l'IA avranno un po' di bleeding residuo che gli stem originali non hanno. Per l'uso nella produzione professionale, gli stem originali sono preferibili quando disponibili. Per tutto il resto, la separazione con l'IA è un'alternativa pratica.

Quale modello dovrei usare?

Per la maggior parte degli scopi: htdemucs_ft. Produce i migliori risultati di qualità generale su tutti e quattro gli stem. Usa htdemucs_6s se hai specificamente bisogno di chitarra e pianoforte separati. Usa mdx_extra se la qualità dell'isolamento vocale è la tua unica preoccupazione e sei disposto ad accettare un output peggiore per batteria/basso. Spleeter vale la pena considerarlo solo se stai elaborando ad altissimo volume e la velocità è più importante della qualità.

In quale formato dovrei caricare per i migliori risultati?

WAV o FLAC (lossless) dà i migliori risultati. Un MP3 di alta qualità (320kbps) è quasi altrettanto buono. Evita MP3 di bassa qualità (sotto 192kbps) poiché gli artefatti di compressione degradano la qualità della separazione.

Perché la mia voce isolata ha ancora un po' di musica sotto?

Questo è l'artefatto di bleeding descritto sopra — un limite fondamentale degli approcci attuali basati su maschera. La quantità di bleeding dipende dal genere, dalla qualità del mix e dal modello usato. Gli strumenti basati su HTDemucs lo minimizzano più dei modelli vecchi, ma non scompare completamente. BS-RoFormer lo riduce ulteriormente, in particolare sulle vocals con molto riverbero.

Come sarà la Stem Separation tra cinque anni?

La traiettoria punta verso un miglioramento continuo sui generi impegnativi, una migliore gestione dell'elaborazione con effetti estremi, e probabilmente la capacità di separare i singoli elementi della batteria (kick, snare, hi-hat) con alta precisione. La separazione in tempo reale su hardware consumer sta già diventando pratica. Il cambiamento architetturale dalle CNN basate su mascheramento verso approcci generativi basati su Transformer e diffusione produrrà probabilmente stem difficilmente distinguibili dai multitraccia originali sulla maggior parte del materiale.