29 октября 2019 года стриминговый сервис Deezer выкладывает в открытый доступ Spleeter - библиотеку на TensorFlow, которая разделяет готовую запись на вокал, барабаны, бас и «остальное». За первую неделю репозиторий на GitHub собирает более 5000 звёзд. Современные каверы после этой даты делают иначе: вместо того чтобы перезаписывать песню с нуля, продюсер берёт оригинал, прогоняет его через нейросеть и получает дорожки - стемы - которые можно пересобрать в новую аранжировку. Это не ремикс в прежнем понимании и не кавер в прежнем: граница между ними размывается.
От спектрального редактирования к нейросети
Технология разделения источника - music source separation, или stem separation - сформировалась как направление в середине 1990-х годов. Задача стояла так: дан один сведённый файл, нужно получить из него отдельные дорожки, не имея оригинальных мультитреков. Долгое время качество было низким: алгоритмы оставляли фазовые артефакты, вокал «протекал» в инструментальные стемы и наоборот.
Ситуация изменилась в конце 2018 года, когда появились коммерческие инструменты на нейросетях, разделяющие запись на четыре стема - вокал, барабаны, бас, остальное. Развитие глубокого обучения и моделей вроде Wave-U-Net дало более высокое качество и меньше артефактов. Первыми поставщиками таких инструментов стали iZotope RX, AudiosourceRe Demix и RipX DeepMix. Но настоящий прорыв случился, когда Deezer открыл Spleeter.
Spleeter: открытый код меняет правила
Spleeter - Python-библиотека на основе TensorFlow с предобученными моделями для разделения на 2, 4 или 5 стемов. На GPU она обрабатывает аудио в 100 раз быстрее реального времени - четырёхминутный трек разделяется за пару секунд. Презентация состоялась на конференции ISMIR 2019 в Делфте. Открытый код означал, что любой разработчик мог встроить разделение в своё приложение - и к 2020 году появились десятки веб-сервисов, предлагающих караоке-минусовки и инструменталы из любых песен.
Деталь: Spleeter не был первым инструментом извлечения вокала - существовали и раньше плагины для удаления центрального канала и фазового инвертирования. Но эти методы работали только на стерео-записях с вокалом ровно по центру и уничтожали всё, что попадало в центральную панораму вместе с голосом. Нейросеть различает источники по спектральному «отпечатку», а не по панораме.
Реставрация и обратная инженерия
Стем-сепарация оказалась полезна не только для новых каверов, но и для реставрации старых записей. Статья Википедии «Music source separation» упоминает два заметных случая: Disney Music Group использовала стем-сепарацию для работы над каталогом старых записей, а записи The Beatles были разделены и улучшены с помощью этих технологий - причём инженеры, работавшие над проектом, параллельно продвинули и само развитие алгоритмов. Когда мультитреков 1960-х уже не существует, нейросетевое разделение - единственный способ получить отдельные дорожки барабанов или вокала из сведённого моно- или стереофайла.
Для кавера это означает и обратное направление: не только «разобрать современный трек на стемы», но и «разобрать виниловую запись 1983 года, чтобы получить чистый вокал для нового кавера». Раньше продюсеру приходилось искать студийную акуапеллу, которая существовала не для всех релизов. Сейчас достаточно оцифрованной версии сингла - нейросеть извлечёт вокал с потерями, но в большинстве случаев пригодными для пересборки.
Оригинальные стемы и AI-разделение: не одно и то же
В статье «Music source separation» проводится важное различие. Стемы в традиционном смысле - это дорожки, экспортированные из проектного файла при сведении: группа однородных звуков, объединённых в один стем (например, «все бэк-вокалы» или «все синтезаторы»). Они дают высокое качество и возможность дальнейшего изолирования. AI-разделение даёт четыре базовые группы - вокал, бас, барабаны, остальное - и на этом пока останавливается. Качество этих стемов пригодно для регулировки громкости и эффектов, но не всегда для сольного прослушивания: в выделенном вокале остаются следы реверберации, в басе - прорывы бочки.
Деталь: чем глубже модель обучена разделять - фортепиано, струнные, духовые отдельно - тем больше спектральных аномалий в каждом выходном стеме. Разделение на четыре группы даёт более чистый результат, чем на восемь. Для кавера это значит: лучше взять четыре базовых стема и заменить три из них полностью, чем пытаться выделить отдельную гитару из сведения 80-х.
Диджей и караоке: два массовых применения
Два самых распространённых применения стем-сепарации лежат за пределами студийного кавера. Первое - караоке: создание инструментала из песни, для которой официальной минусовки не существует. Десятки сайтов используют эту технологию, чтобы привлекать пользователей, желающих спеть любимую песню. Второе - диджейское:实时ное разделение трека прямо во время сета, чтобы создавать мэшапы на лету. Диджей загружает трек в программу, она разделяет его на стемы, и отдельные партии можно запускать на пэдах для живого выступления.
Для кавер-культуры оба применения создают фон, на котором профессиональный кавер должен отличаться. Караоке-инструментал и диджейский мэшап - технические операции. Кавер - интерпретация. Когда любой желающий может за секунды получить инструментал любой песни, ценность кавера смещается из «я могу это сыграть» в «я могу это переосмыслить».
Demucs и Logic Pro: два пути
Параллельно с Deezer развивался Demucs - проект Facebook AI Research (Meta). Репозиторий facebookresearch/demucs набрал более 10 000 звёзд на GitHub. К 2022 году команда представила HTDemucs - гибридную модель с трансформерами, опубликованную на конференции ICASSP. 1 января 2025 года репозиторий Demucs был переведён в архив - Meta прекратила активную разработку, но открытый код остался доступным.
Другой путь выбрала Apple. В мае 2024 года вышел Logic Pro 11 - первое полноверсионное обновление с 2013 года. Среди новых функций - Stem Splitter, встроенный прямо в DAW. Он анализирует аудиофайл и разбивает его на вокал, барабаны, бас и гитару. Функция требует Apple Silicon - процессоров M-серии - и работает локально, без отправки данных в облако. Рядом с Stem Splitter появилась ChromaGlow - плагин, эмулирующий теплоту аналоговых цепей.
К 2025 году разделение вышло за пределы базовых четырёх стемов: разработчики стали предлагать модели для выделения фортепиано, струнных, духовых, акустической гитары и синтезаторов. Чем тоньше разделение, тем больше спектральных аномалий - но для создания кавера из стемов это часто не критично: достаточно получить чистый вокал, чтобы пересобрать под него новую аранжировку.
Что меняется в практике кавера
Доступность стемов меняет не только скорость работы, но и саму концепцию «кавер-версии». Раньше кавер означал новую запись: новый вокалист, новые инструменты, новая аранжировка с нуля. Сейчас кавер может быть собран из оригинального вокала, извлечённого нейросетью, и нового инструментального сопровождения, записанного поверх. Вокалист не поёт заново - его голос берут из оригинала.
- Перезапись вокала поверх новых стемов. Оригинальный вокал извлекается, чистится, переносится в новый проект. Инструментальные стемы заменяются полностью. Это самый распространённый формат «современного кавера» на YouTube.
- Замена ритм-секции. Бас и барабаны извлекаются и заменяются на новые, остальные стемы остаются. Получается «переиздание» с обновленным грувом, не претендующее на полную переработку.
- Мэшап из стемов. Вокал одной песни накладывается на инструментал другой - обе стороны получены через разделение. Без нейросетей такой мэшап требовал акуапеллы и инструментальной версии, которые публиковали далеко не все лейблы.
- Реверс-кавер. Инструментал оригинала оставляется, вокал заменяется на новый - записанный другим исполнителем. Это противоположность традиционному каверу, где вокал был главным.
Короткий формат и кавер
Стем-сепарация совпала по времени с распространением коротких форматов. TikTok, запущенный в международной версии в 2018 году, задал норму фрагмента в 15-30 секунд: этого достаточно для хука, но мало для полного кавера. Кавер в коротком формате - это не целая песня, а её самый узнаваемый фрагмент, переигранный или пересобранный. Продюсеры, работающие для TikTok и Reels, часто ограничиваются припевом: интро и куплеты остаются за скобками. Издание Billboard отмечало случай, когда slowed-down фанатская версия песни Lykke Li «sex money feelings die» (2018) разнеслась по TikTok в тысячах видео и вызвала всплеск стримингов оригинала - лейбл RCA Records отследил этот рост до пользовательского кавера. Короткий формат создаёт каверы, которые работают не как самостоятельные произведения, а как трамплины к оригиналу.
Это влияет на структуру кавера: вместо классической схемы «куплет-припев-куплет-припев» современный кавер может начинаться сразу с припева. Если фонограмма оригинала доступна через стемы, продюсеру не нужно слушать трек целиком - он извлекает припев, переносит в проект и строит вокруг него новую аранжировку.
Что не поменялось
Нейросеть разделяет фонограмму, но не сочиняет. Гармония, мелодия, текст и структура песни остаются авторскими. Стем-сепарация снимает технический барьер - отсутствие мультитрека - но не снимает юридический: использование извлечённого вокала в новой аранжировке требует тех же разрешений, что и любой другой кавер. Механическая лицензия в США с 1909 года даёт право перезаписать чужую песню, но использование оригинальной фонограммы - даже разобранной на стемы - попадает под лицензирование мастер-записи, а не только композиции.
Разница между современным синт-попом и кавером на диско 80-х в 2020-е годы не в жанре, а в методе. То, что раньше требовало студийного времени и сессионных музыкантов, сейчас делается в ноутбуке. Но ухо различает кавер, сделанный с пониманием оригинала, и кавер, сделанный нейросетью «как есть» - первый звучит как интерпретация, второй как коллаж.
Связь с современными исполнителями евродэнса здесь прямая: многие из них работают именно в логике «вокал из стемов плюс новый бит». Конкретный пример - кавер Disco Magic на Feel the Fire группы Masterboy.
1 января 2025 года репозиторий Demucs на GitHub был переведён в режим «только чтение» - Meta прекратила поддержку. Spleeter от Deezer не обновлялся с 2020 года. Но инструменты, которые от них зависят, продолжают работать: открытый код не умирает вместе с компанией. Stem Splitter в Logic Pro 11, выпущенный в мае 2024 года, - первый случай, когда стем-сепарация встроена в массовый DAW и доступна без установки Python и TensorFlow. Нейросеть, которая в 2019 году требовала GPU и навыков программиста, в 2024-м запускается одним кликом на MacBook Air. Технология стала невидимой - а кавер, собранный из стемов, стал нормой, а не экспериментом.