Sie haben das Ergebnis gehört. Ein Gesang, der sauber aus einem gemischten Track herausgehoben wurde, kein Schlagzeug, das durchblutet, kein Nachhall, der hinterherzieht. Ein Instrumental, bei dem der Sänger völlig verschwunden ist. Eine Basslinie, die isoliert ist, damit Sie jede Note studieren können.
Das ist Stem-Trennung — der Prozess, ein fertiges, gemischtes Audio-Track in seine einzelnen Komponenten (Gesang, Schlagzeug, Bass, Klavier, Gitarre und andere Instrumente) zu zerlegen. Und die Tatsache, dass es überhaupt funktioniert, ist ein kleines Wunder des modernen maschinellen Lernens. Hier ist, was tatsächlich im Hintergrund passiert, erklärt für Menschen, die Musik machen — nicht für Menschen, die Forschungsarbeiten schreiben.
Was sind Stems in der Musik?
Bevor wir darauf eingehen, wie die KI funktioniert, lassen Sie uns definieren, worüber wir sprechen. Ein Stem ist ein einzelner Audiotrack aus einer Mehrspuraufnahme. In einer Studiositzung erhält jedes Instrument und jeder Gesang seinen eigenen Track — die Kickdrum, die Snare, den Hauptgesang, den Bass, das Synthpad. Diese Rohtracks sind die Stems. Wenn der Ingenieur das Lied mischt, balanciert er all diese Stems zusammen und exportiert eine einzelne Stereo-Datei. Diese finale Datei ist das, was Sie auf Spotify, in einem DJ-Set oder im Radio hören.
Die Stem-Trennung ist der umgekehrte Prozess. Sie beginnen mit dem fertigen Mix und versuchen, diese einzelnen Elemente wieder auseinanderzuziehen. Es ist wie das Herausnehmen eines gebackenen Kuchens und der Versuch, ihn wieder in Mehl, Eier, Zucker und Butter zu trennen. Diese Analogie ist tatsächlich ziemlich genau — und sie erklärt, warum die Stem-Trennung nie perfekt ist. Einige Informationen gehen im Mischprozess verloren. Frequenzen überlappen sich, Dynamik wird komprimiert, und Effekte wie Nachhall und Verzögerung verwischen die Klänge über das Stereo-Feld.
Trotz dieser Einschränkungen kommt die moderne KI-Stem-Trennung bemerkenswert nah. Gute Modelle können Gesang mit minimalem Übersprechen isolieren, Schlagzeug extrahieren, das immer noch kraftvoll ist, und Basslinien ziehen, die straff bleiben. Nicht studiorein, aber nutzbar für Mashups, Remixe, DJ-Edits, Übungs-Tracks und Sampling.
GreenGo unterstützt 6-Stem-Trennung: Gesang, Schlagzeug, Bass, Klavier, Gitarre und andere (alles andere — Synths, Streicher, Pads). Einige Tools bieten auch 2-Stem-Trennung an, die nur Gesang vom Instrumental trennt. Die 6-Stem-Trennung gibt Ihnen mehr kreative Kontrolle, da Sie einzelne Instrumente isolieren können, anstatt eine Sammelkategorie "andere" zu haben.
Wie funktioniert die Stem-Trennung?
Im Kern ist die Stem-Trennung ein Problem, das als Quellen-Trennung bezeichnet wird — die Aufgabe, einzelne Quellsignale aus einem gemischten Signal wiederherzustellen. Es wurde seit Jahrzehnten in der Audioforschung untersucht, aber der Durchbruch kam etwa 2019, als Deep-Learning-Modelle begannen, Ergebnisse zu produzieren, die tatsächlich gut klangen.
Hier ist die grundlegende Pipeline:
- Audio in eine visuelle Darstellung umwandeln. Die rohe Audio-Wellenform — eine lange Sequenz von Amplitudenwerten — wird in ein Spektrogramm umgewandelt. Ein Spektrogramm ist im Wesentlichen ein 2D-Bild, das zeigt, wie sich der Frequenzinhalt des Audios im Laufe der Zeit ändert. Die Zeit verläuft entlang der x-Achse, die Frequenz entlang der y-Achse, und die Intensität (Helligkeit) jedes Pixels repräsentiert, wie viel Energie zu diesem Zeitpunkt bei dieser Frequenz vorhanden ist.
- Das Spektrogramm in ein neuronales Netzwerk einspeisen. Das Modell analysiert dieses "Bild" und lernt, Muster zu identifizieren, die bestimmten Quellen entsprechen. Gesang belegt tendenziell bestimmte Frequenzbereiche (ungefähr 300 Hz bis 4 kHz) und hat spezifische zeitliche Muster — gehaltene Noten, Vibrato, Konsonantenstöße. Schlagzeug hat scharfe transiente Angriffe. Bass lebt in den tiefen Frequenzen. Das Netzwerk wurde an Tausenden von Beispielen trainiert, bei denen es sowohl das gemischte Spektrogramm als auch die einzelnen Stem-Spektrogramme sieht, sodass es lernt, von gemischt zu individuell zuzuordnen.
- Masken generieren. Für jeden Stem gibt das Modell eine Maske aus — ein spektrales Raster von Werten zwischen 0 und 1. Diese Maske sagt für jedes Zeit-Frequenz-Bin: "Wie viel dieser Energie gehört zu Gesang vs. Schlagzeug vs. Bass vs. andere." Multiplizieren Sie die Maske mit dem ursprünglichen Spektrogramm, und Sie erhalten das Spektrogramm des isolierten Stems.
- Zurück zu Audio konvertieren. Das isolierte Spektrogramm wird mit einer inversen Transformation (wie der inversen STFT) wieder in eine Wellenform umgewandelt. Die Phaseninformationen aus dem ursprünglichen Mix werden wiederverwendet, da das Modell nur die Magnitude vorhersagt. Dies ist eine der Hauptquellen für Artefakte — mehr dazu weiter unten.
Das ist der klassische Ansatz. Neuere Modelle arbeiten direkt an der Wellenform selbst und überspringen den Spektrogramm-Schritt vollständig. Auf diesen Unterschied kommen wir gleich zu sprechen.
Die entscheidende Erkenntnis ist diese: Das Modell macht nichts Magisches. Es ist Mustererkennung im großen Maßstab. Nachdem es genügend Beispiele gesehen hat, wie "so sieht ein gemischter Schlagzeug-Track in einem Spektrogramm aus" und "so sehen die isolierten Drums aus", lernt das Netzwerk, die Isolationsmaske für neue, ungesehene Audios vorherzusagen. Die Qualität der Trennung hängt ganz davon ab, wie gut das Modell trainiert wurde und welche Architektur es verwendet.
Die KI-Modelle hinter der modernen Stem-Trennung
Mehrere Open-Source-Modelle haben den Fortschritt in der KI-Stem-Trennung vorangetrieben. Hier ist, wie die wichtigsten im Vergleich abschneiden:
| Modell | Entwickler | Ansatz | Stems | Hauptstärke |
|---|---|---|---|---|
| Spleeter | Deezer (2019) | Spektrogramm-Maskierung (U-Net) | 2 oder 4 | Schnell, leichtgewichtig, läuft auf CPU |
| Demucs (HTDemucs) | Meta / FAIR (2022) | Hybride Wellenform + Spektrogramm | 4 | Höchste Qualität, verarbeitet Nachhall gut |
| Open-Unmix (UMX) | SIGSEP (2019) | Spektrogramm-Maskierung | 4 | Offene Forschungsbasis, modular |
| BS-RoFormer | Verschiedene (2023) | Band-split RoFormer | 4+ | State-of-the-Art bei Benchmarks |
Spleeter war das Modell, das die KI-Stem-Trennung zugänglich machte. 2019 von Deezer veröffentlicht, verwendete es eine U-Net-Architektur — ursprünglich für die Bildsegmentierung entwickelt — angewendet auf Spektrogramme. Es war schnell, konnte auf einer CPU laufen und lieferte Ergebnisse, die gut genug für DJ-Edits und grobe Remixe waren. Es popularisierte das Konzept der KI-Stem-Trennung für Musiker.
Demucs aus dem FAIR-Labor von Meta verfolgte einen anderen Ansatz. Anstatt nur auf Spektrogrammen zu arbeiten, arbeitet Demucs direkt an der rohen Wellenform unter Verwendung einer Kombination aus konvolutionalen und rekurrenten Schichten. Die neueste Version, HTDemucs (Hybrid Transformer Demucs), verwendet einen hybriden Ansatz: Sie verarbeitet sowohl die Wellenform als auch das Spektrogramm gleichzeitig und kombiniert dann die Ergebnisse. In unseren Tests produziert Demucs merklich sauberere Gesangstrennungen als Spleeter, insbesondere bei Tracks mit starkem Nachhall oder komplexen Arrangements. Es bewältigt das "Verschmieren"-Problem besser, weil es zeitliche Muster direkt aus der Wellenform lernen kann.
BS-RoFormer (Band-Split RoFormer) ist der aktuelle Stand der Technik beim MUSDB18-Benchmark. Es teilt den Frequenzbereich in Bänder auf und verarbeitet jedes Band mit einem rotierenden Positions-Embedding-Transformer. Es ist rechenintensiver, produziert aber die saubersten Trennungen, die derzeit verfügbar sind.
Alle diese Modelle werden nach dem gleichen grundlegenden Prinzip trainiert: überwachtes Lernen mit gepaarten Daten. Forscher verwenden Datensätze wie MUSDB18, die 150 vollständige Lieder mit ihren isolierten Stems enthalten. Das Modell sieht den gemischten Track als Eingabe und die einzelnen Stems als Zielausgabe. Es minimiert den Unterschied zwischen seiner Vorhersage und dem tatsächlichen Stem und lernt allmählich, Quellen zu trennen, die es noch nie gehört hat.
Spektrogramm-Maskierung vs. Wellenform-Domain — Was ist der Unterschied?
Es gibt zwei Hauptansätze zur KI-Stem-Trennung, und der Unterschied ist wichtig, um zu verstehen, warum einige Tools besser klingen als andere.
Spektrogrammbasiert (Spleeter, Open-Unmix)
Das Audio wird mit der Kurzzeit-Fourier-Transformation (STFT) in ein Spektrogramm umgewandelt. Das Modell sagt eine Maske für jeden Stem voraus, und das maskierte Spektrogramm wird wieder in Audio umgewandelt. Der Vorteil ist die Geschwindigkeit — Spektrogramme sind kompakt, und das Modell kann relativ klein sein. Der Nachteil ist, dass Sie Phaseninformationen verlieren. Die STFT gibt Ihnen sowohl Magnitude als auch Phase, aber das Modell sagt typischerweise nur die Magnitude voraus. Sie verwenden die Phase des ursprünglichen Mixes wieder, was eine Annäherung ist. Dies verursacht Artefakte, insbesondere bei Gesang mit langen Nachhall-Tails.
Wellenform-basiert (Demucs, BS-RoFormer)
Das Modell arbeitet direkt an den rohen Audiosamples. Keine Spektrogramm-Konvertierung erforderlich. Das Netzwerk lernt, die isolierte Wellenform direkt vorherzusagen. Der Vorteil ist, dass die Phase natürlich behandelt wird — sie ist Teil der Wellenform. Der Nachteil ist, dass Wellenformen viel länger sind als Spektrogramme (ein 3-minütiges Lied bei 44,1 kHz hat fast 8 Millionen Samples), sodass das Modell komplexer sein muss und mehr Rechenleistung benötigt.
Der hybride Ansatz (HTDemucs) kombiniert beides: Er verarbeitet die Wellenform für zeitliche Genauigkeit und das Spektrogramm für Frequenzpräzision und kombiniert dann die Ergebnisse. Dies ist derzeit der Sweet Spot für Qualität vs. Leistung.
Wie man Stems mit GreenGo trennt
GreenGo enthält die KI-Stem-Trennung, die direkt in die App integriert ist. Sie müssen Ihre Tracks nicht auf eine Website hochladen, nicht in einer Warteschlange warten oder sich mit Wasserzeichen auf dem Output herumschlagen. So funktioniert es:
- Öffnen Sie einen Track. Spielen Sie beliebige Audioinhalte im GreenGo-Browser ab oder öffnen Sie eine lokale Audiodatei, die Sie bereits haben. Der Track muss nicht vorverarbeitet oder in einem bestimmten Format vorliegen — GreenGo verarbeitet WAV, MP3, FLAC und AAC.
- Klicken Sie auf die Schaltfläche Stem-Trennung. Klicken Sie in der GreenGo-Toolleiste auf das Symbol für die Stem-Trennung. Das KI-Modell läuft lokal auf Ihrem Desktop und beginnt, den Track in sechs Stems zu trennen: Gesang, Schlagzeug, Bass, Klavier, Gitarre und andere.
- Vorschau jedes Stems. GreenGo zeigt Ihnen alle sechs Stems als einzelne Wellenformen an. Solo einen Stem, um ihn isoliert zu hören. Hier überprüfen Sie auf Übersprechen — wenn der Gesangstem Schlagzeugartefakte hat oder der Bassstem Melodien durchbluten, können Sie entscheiden, ob die Trennungsqualität für Ihren Anwendungsfall gut genug ist.
- Exportieren, was Sie benötigen. Laden Sie einzelne Stems oder alle sechs auf einmal herunter. Wählen Sie WAV für verlustfreie Qualität (am besten für DAW-Arbeiten und Sampling) oder MP3 für kleinere Dateien (gut für DJ-Edits und Übung). GreenGo analysiert auch automatisch das BPM und den musikalischen Schlüssel jedes Stems und schreibt die Metadaten direkt in die exportierten Dateien.
- In Ihren Workflow einfügen. Die exportierten Stems sind mit ID3-Metadaten — BPM, Schlüssel, Künstler, Titel — versehen, sodass sie sauber in Rekordbox, Serato, Traktor, Ableton oder jede andere DJ-Software oder DAW importiert werden können.
Der gesamte Prozess dauert für einen typischen Track nur Sekunden. Keine Upload-Zeit, keine Warteschlange, kein Drittanbieter-Server, der Ihr Audio verarbeitet. Alles läuft auf Ihrem Rechner — Windows oder macOS. GreenGo bietet eine 7-tägige kostenlose Testversion (Kreditkarte erforderlich), und die kostenlose Stufe ermöglicht es Ihnen, bis zu 3 Songs zu trennen, bevor Sie für 5,99 $/Monat abonnieren.
Tipps für die besten Ergebnisse bei der Stem-Trennung
Die KI-Stem-Trennung ist gut, aber sie ist nicht perfekt. Diese Tipps helfen Ihnen, die saubersten Ergebnisse zu erzielen:
- Beginnen Sie mit der höchsten Qualität der Quelle, die Sie können. Eine 320kbps MP3 oder verlustfreies WAV wird immer besser getrennt als ein 128kbps Stream. Kompressionsartefakte verwirren das Modell — sie sehen aus wie Rauschen über alle Frequenzbänder, was es schwieriger macht, Quellen zu unterscheiden.
- Trennen Sie, bevor Sie die Zeit dehnen. Wenn Sie das Tempo eines Tracks ändern müssen, trennen Sie zuerst die Stems und dehnen Sie dann jeden Stem einzeln. Das Dehnen des gemischten Tracks zuerst führt zu Artefakten, die das Trennungsmodell verstärken wird.
- Verwenden Sie Stems für das, was sie gut können. Die Gesangstrennung funktioniert am besten bei Tracks mit einem klaren Hauptgesang und minimalen Backing Vocals. Die Schlagzeugtrennung funktioniert am besten bei Tracks mit akustischen oder elektronischen Drums, die deutliche Transienten haben. Dichte, Wand-von-Sound-Mixes mit schwerer Schichtung erzeugen immer mehr Übersprechen.
- EQ die Stems nach der Trennung. Selbst bei guter Trennung erhalten Sie oft ein Übersprechen von tiefen Frequenzen im Gesangstem oder hohen Frequenzen im Bassstem. Ein schneller Hochpassfilter auf den Vocals (unter 100 Hz schneiden) und ein Tiefpass auf den Bass (über 2 kHz schneiden) bereinigt das meiste verbleibende Übersprechen.
- Überprüfen Sie den "anderen" Stem auf Gesangsreste. Wenn die Gesangstrennung nicht perfekt ist, hören Sie manchmal Geisterstimmen im anderen Stem. Das ist normal — das Modell trennt Energie probabilistisch. Wenn der Rest zu laut ist, versuchen Sie eine andere Quelldatei oder akzeptieren Sie, dass der Track zu dicht für eine saubere Trennung ist.
- Vermeiden Sie eine erneute Verarbeitung. Trennen Sie keinen bereits getrennten Stem. Die Durchführung der Stem-Trennung auf einem Gesangstem, um ihn "weiter zu reinigen", macht es normalerweise schlimmer — das Modell wurde nicht auf teilweise getrenntem Audio trainiert.
- Stimmen Sie die Stem-Formate auf Ihren Anwendungsfall ab. Exportieren Sie als WAV, wenn Sie Stems in eine DAW für Produktionsarbeiten laden möchten. MP3 ist in Ordnung für DJ-Edits, bei denen die Dateigröße wichtiger ist als absolute Treue. Die Trennungsqualität ist in beiden Fällen gleich — das Format beeinflusst nur den endgültigen Export.
Häufig gestellte Fragen
Wie funktioniert die Stem-Trennung?
Die Stem-Trennung verwendet Deep-Learning-Modelle, die auf gepaarten Audiodaten trainiert wurden — gemischte Lieder zusammen mit ihren einzelnen Stems. Das Modell wandelt das Audio in ein Spektrogramm um (oder verarbeitet die rohe Wellenform), identifiziert Muster, die jeder Quelle entsprechen (Gesang, Schlagzeug, Bass, Klavier, Gitarre, andere), und generiert Isolationsmasken, die das gemischte Signal in einzelne Stems trennen. Das Ergebnis wird wieder in Audio umgewandelt.
Wird die KI-Stem-Trennung besser?
Ja, und zwar merklich. Modelle von 2019 (Spleeter) produzierten Trennungen mit hörbaren Artefakten und signifikantem Übersprechen. Aktuelle Modelle wie Demucs HTDemucs und BS-RoFormer produzieren Gesangstrennungen, die fast sauber genug für den professionellen Einsatz sind. Die Verbesserung kommt von besseren Architekturen (Transformer, hybride Wellenform-Spektrogramm-Verarbeitung) und größeren Trainingsdatensätzen.
Was ist der Unterschied zwischen 2-Stem- und 6-Stem-Trennung?
Die 2-Stem-Trennung teilt einen Track nur in Gesang und Instrumental auf. Die 6-Stem-Trennung teilt in Gesang, Schlagzeug, Bass, Klavier, Gitarre und andere auf. Die 6-Stem-Trennung gibt Ihnen mehr kreative Kontrolle — Sie können nur die Drums für einen Breakbeat isolieren, die Basslinie für einen Remix ziehen, das Klavier für ein Sample extrahieren oder die Vocals für ein Instrumental stummschalten. Die 2-Stem-Trennung ist schneller und ausreichend, wenn Sie nur ein Acapella oder ein Instrumental benötigen.
Kann die Stem-Trennung Gesang perfekt isolieren?
Nein. Einige Informationen gehen während des Mischens dauerhaft verloren. Frequenzen überlappen sich, Nachhall-Tails verschmieren über das Stereo-Feld, und Kompression beeinflusst alle Quellen gleichzeitig. Moderne KI kommt nah heran — 85-95% Isolation, abhängig vom Track — aber Sie werden fast immer schwache Spuren anderer Instrumente im Gesangstem oder Geisterstimmen im Instrumental hören. EQ und Gating können diese Artefakte weiter reduzieren.
Funktioniert die Stem-Trennung bei jedem Genre?
Es funktioniert bei den meisten Genres, aber die Ergebnisse variieren. Elektronische Musik mit klaren, getrennten Frequenzbereichen (House, Techno) trennt sich gut. Hip-Hop mit hervorgehobenem Gesang und deutlichen Drums funktioniert ebenfalls gut. Dichte Rock-Mixes mit geschichteten Gitarren, Gesang und Becken, die den gleichen Frequenzbereich ausfüllen, sind schwieriger. Klassische Musik und Jazz mit akustischen Instrumenten sind die herausforderndsten, da die Quellen natürlicher verschmelzen.
Ist die Verwendung von Musik-Stem-Trennungssoftware legal?
Die Verwendung von Stem-Trennungssoftware auf Tracks, die Sie besitzen oder lizenziert haben, ist legal. Die Verwendung von getrennten Stems für kommerzielle Veröffentlichungen (Remixe, Samples) erfordert die Klärung der Rechte mit dem Urheberrechtsinhaber. Die persönliche Nutzung — Übung, Analyse, DJ-Edits für Ihre eigenen Sets — fällt im Allgemeinen unter die faire Nutzung, aber das Urheberrecht variiert je nach Land. Überprüfen Sie immer Ihre lokalen Vorschriften.
Die Stem-Trennung hat sich in nur wenigen Jahren von einer Forschungsneugier zu einem praktischen Tool entwickelt. Die KI-Modelle dahinter — Demucs, Spleeter, BS-RoFormer — werden immer besser, und Tools wie GreenGo machen sie zugänglich, ohne Ihre Musik auf einen fremden Server hochladen zu müssen. Egal, ob Sie Mashups erstellen, DJ-Edits vorbereiten, über Instrumentals üben oder für Produktionen sampeln, das Verständnis dafür, wie die Technologie funktioniert, hilft Ihnen, bessere Ergebnisse zu erzielen.
Wollen Sie es mit Ihren eigenen Tracks ausprobieren? Die Stem-Trennung ist in GreenGo integriert — ein Klick, kein Upload, kein Wasserzeichen. Probieren Sie es 7 Tage kostenlos aus (Kreditkarte erforderlich) und trennen Sie bis zu 3 Songs in der kostenlosen Stufe.
Geschrieben von Ihor — Musiksoftware-Entwickler und DJ bei GreenGo.