ตัวแยกเสียงร้อง

โหมด Fast ใช้โมเดลขนาด 14 MB ที่ปรับแต่งมาเพื่อความเร็ว — โดยทั่วไปใช้เวลา 15-30 วินาทีสำหรับเพลงความยาว 4 นาที โหมด Quality ใช้โมเดลขนาดใหญ่กว่า 32 MB ที่ฝึกฝนด้วยข้อมูลที่หลากหลายกว่า ซึ่งช่วยรักษาความคมชัดของเสียงเบสและจัดการกับหางเสียงสะท้อน (reverb tails) ได้ดีกว่า เลือกโหมด Fast สำหรับการพรีวิวอย่างรวดเร็ว และเลือกโหมด Quality สำหรับการใช้งานจริงในขั้นตอนสุดท้าย

โครงข่ายประสาทเทียม (Neural network) ที่ได้รับการฝึกฝนจากมัลติแทร็กระดับมืออาชีพนับพันเพลง จะเรียนรู้ที่จะแยกรูปแบบความถี่ของเสียงร้องออกจากเสียงดนตรี โดยจะประมวลผลสเปกโทรแกรมของเสียงเป็นส่วนๆ ที่ทับซ้อนกัน และสร้างรูปคลื่นเสียงร้องและเสียงดนตรีแยกจากกันขึ้นมาใหม่

เมื่อสามารถใช้งาน WebGPU ได้ (อุปกรณ์เดสก์ท็อปสมัยใหม่ส่วนใหญ่) การประมวลผลจะทำงานบน GPU ของคุณ — ซึ่งเร็วกว่าการประมวลผลด้วย CPU เพียงอย่างเดียวมาก สำหรับอุปกรณ์รุ่นเก่า ระบบจะเปลี่ยนไปใช้ WASM แบบมัลติเธรดโดยอัตโนมัติ โดยไม่ต้องตั้งค่าใดๆ

โมเดลจะแยกเสียงร้องนำและเสียงร้องประสานออกจากเสียงดนตรีไปพร้อมกัน สำหรับเพลงที่คุณต้องการเก็บเสียงร้องประสานไว้แต่ต้องการตัดเฉพาะเสียงร้องนำ ผลลัพธ์อาจแตกต่างกันไป — เนื่องจากโมเดลจะจัดการกับเนื้อหาที่เป็นเสียงร้องทั้งหมดในลักษณะเดียวกัน

ได้ แม้ว่าระบบจะถูกปรับแต่งมาสำหรับเพลงเป็นหลัก สำหรับเสียงพูดที่มีดนตรีประกอบ ระบบสามารถแยกเสียงพูดออกจากเสียงดนตรีได้อย่างมีประสิทธิภาพ แต่สำหรับเสียงพูดที่มีเพียงเสียงรบกวนรอบข้าง การใช้เครื่องมือตัดเสียงรบกวนโดยเฉพาะอาจให้ผลลัพธ์ที่ชัดเจนกว่า

บนอุปกรณ์มือถือที่มีหน่วยความจำ GPU ไม่เพียงพอ การประมวลผลจะถูกส่งไปยัง Cloud Assist โดยอัตโนมัติ — ซึ่งเป็นการประมวลผลฝั่งเซิร์ฟเวอร์ที่ปลอดภัย โดยไฟล์จะถูกลบทันทีหลังจากเสร็จสิ้น ส่วนผู้ใช้เดสก์ท็อปจะประมวลผลบนอุปกรณ์ทั้งหมด

ทั้งแทร็กเสียงร้องที่แยกออกมาและแทร็กดนตรีจะถูกส่งออกเป็นไฟล์ WAV แบบไม่สูญเสียคุณภาพที่ Sample Rate เดิม ไฟล์จะมีความยาวเท่าเดิมและสามารถโหลดลงใน DAW ได้โดยตรง