ตัวแยกเสียงร้อง

โหมด Fast ใช้โมเดลขนาด 14 MB ที่ปรับแต่งมาเพื่อความเร็ว — โดยทั่วไปใช้เวลา 15-30 วินาทีสำหรับเพลงความยาว 4 นาที โหมด Quality ใช้โมเดลขนาด 32 MB ที่ใหญ่กว่าและผ่านการฝึกด้วยข้อมูลที่หลากหลายกว่า ช่วยรักษาความคมชัดของเสียงเบสและจัดการกับหางเสียงรีเวิร์บได้ดีกว่า เลือก Fast เพื่อฟังตัวอย่างอย่างรวดเร็ว และเลือก Quality สำหรับการใช้งานในขั้นตอนโปรดักชันจริง

โครงข่ายประสาทเทียม (Neural network) ที่ผ่านการฝึกฝนด้วยมัลติแทร็กระดับมืออาชีพนับพันเพลง จะเรียนรู้การแยกรูปแบบความถี่ของเสียงร้องออกจากเครื่องดนตรี โดยจะประมวลผลสเปกโทรแกรมของเสียงเป็นส่วนๆ ที่ซ้อนทับกัน และสร้างรูปคลื่นเสียงร้องและเสียงดนตรีแยกกันขึ้นมาใหม่

หากรองรับ WebGPU (อุปกรณ์เดสก์ท็อปสมัยใหม่ส่วนใหญ่) การประมวลผลจะทำงานบน GPU ของคุณ ซึ่งเร็วกว่าการใช้ CPU เพียงอย่างเดียวมาก สำหรับอุปกรณ์รุ่นเก่า ระบบจะเปลี่ยนไปใช้ WASM แบบมัลติเธรดโดยอัตโนมัติ ไม่จำเป็นต้องตั้งค่าใดๆ

โมเดลจะแยกทั้งเสียงร้องนำและเสียงร้องประสานออกจากเสียงดนตรีพร้อมกัน สำหรับเพลงที่คุณต้องการเก็บเสียงประสานไว้แต่ตัดเฉพาะเสียงร้องนำ ผลลัพธ์อาจแตกต่างกันไป เนื่องจากโมเดลจะจัดการกับเสียงร้องทุกประเภทในลักษณะเดียวกัน

ได้ แม้ว่าระบบจะปรับแต่งมาสำหรับดนตรีเป็นหลัก สำหรับเสียงพูดที่มีดนตรีประกอบ ระบบสามารถแยกเสียงพูดออกจากเสียงดนตรีได้อย่างมีประสิทธิภาพ แต่สำหรับเสียงพูดที่มีเพียงเสียงรบกวนรอบข้าง การใช้เครื่องมือตัดเสียงรบกวนโดยเฉพาะอาจให้ผลลัพธ์ที่ชัดเจนกว่า

บนอุปกรณ์มือถือที่มีหน่วยความจำ GPU ไม่เพียงพอ การประมวลผลจะถูกส่งไปยัง Cloud Assist โดยอัตโนมัติ ซึ่งเป็นการประมวลผลฝั่งเซิร์ฟเวอร์ที่ปลอดภัย โดยไฟล์จะถูกลบทันทีเมื่อเสร็จสิ้น ส่วนผู้ใช้เดสก์ท็อปจะประมวลผลบนอุปกรณ์ทั้งหมด

ทั้งแทร็กเสียงร้องที่แยกออกมาและแทร็กเสียงดนตรีจะถูกส่งออกเป็นไฟล์ WAV แบบไม่สูญเสียคุณภาพ (lossless) ที่อัตราสุ่มสัญญาณต้นฉบับ ไฟล์จะมีความยาวเท่าเดิมและสามารถโหลดเข้าสู่ DAW ได้โดยตรง