Cómo aislar la voz y crear pistas de karaoke online

Cómo funciona la cancelación del canal central

El estéreo son dos canales. Todo lo que está panoramizado justo en el centro de la mezcla, es decir, colocado exactamente igual a la izquierda y a la derecha, aparece como la misma señal en los dos. Si restas un canal del otro, el contenido idéntico se anula por completo y solo sobrevive lo que era distinto entre ellos. Esa diferencia son los laterales de la mezcla: las guitarras abiertas, los teclados en estéreo, las colas de reverb.

Esa es toda la técnica. Izquierda menos derecha te da el instrumental; izquierda más derecha, el centro. El hardware analógico lleva décadas haciéndolo, casi no requiere cálculo y no necesita ningún modelo, ni datos de entrenamiento, ni servidor. Eso sí, depende por completo de que la voz esté de verdad en el centro.

Por qué funciona bien con unos discos y mal con otros

Donde mejor funciona es con grabaciones antiguas y mezclas sencillas: una voz principal colocada justo en el medio, seca o casi, con la banda repartida a su alrededor. Pásale un disco de soul de los sesenta o una sesión acústica sin complicaciones y la voz puede desaparecer casi por completo.

El pop moderno es mucho más difícil. Los productores suelen ensanchar el bus de voces, doblar la voz principal y abrir las copias a cada lado, o meter la voz en una reverb y un delay estéreo muy abiertos. Nada de eso es idéntico en los dos canales, así que nada de eso se anula. En lugar de silencio te queda un fantasma de la voz, y la reverb suele sobrevivir aunque la voz seca desaparezca casi del todo.

Qué más desaparece junto con la voz

Esta es la parte de la que nadie te avisa. La técnica no tiene ni idea de qué es una voz. Elimina todo lo que esté en el centro, y en una mezcla convencional el centro está muy concurrido. El bombo va en el centro. La caja va en el centro. El bajo va en el centro casi sin excepción, porque los graves se mantienen en el medio para que el corte de vinilo y los grandes equipos de PA no den problemas. Los instrumentos principales y los solos también suelen estar ahí.

Por eso, una pista a la que solo se le ha cancelado el centro suele llegar con los graves vaciados y la batería debilitada. Esta herramienta protege la parte más baja: todo lo que queda por debajo de unos 120 Hz, donde viven el bombo y las fundamentales del bajo, se deja fuera de la cancelación. La caja, la parte alta del bajo y cualquier instrumento principal que esté centrado se siguen yendo con la voz, y con algunos discos el resultado es sencillamente inservible, porque el problema está en la mezcla y no en la herramienta.

Qué son en realidad los dos archivos

Conviene decirlo sin rodeos, porque los nombres prometen más de lo que dan. El instrumental es cada canal original al que se le resta el centro por encima de esa línea de 120 Hz. Con la intensidad al máximo, una voz centrada se anula. Si bajas el control de intensidad, parte del centro se queda, lo que deja algo de voz pero hace que la pista suene menos hueca. La reproducción en mono sigue siendo un problema: el altavoz de un móvil o una PA en mono suma los dos canales, los laterales se anulan y, con la intensidad al máximo, no oyes mucho más que el bajo y el bombo. Si piensas usarla en público, pruébala antes en mono.

El segundo archivo no es una voz aislada. Es el centro de la mezcla por encima de 120 Hz: la voz y, con ella, cualquier otra cosa centrada, como la caja o una guitarra solista. Es una referencia útil para descifrar la letra o seguir una melodía. No es una pista a capela y no aguantará si la tratas como tal.

Los dos archivos salen en WAV, así que ocupan mucho, y el modo de separación te permite pedir solo uno de ellos. El archivo de origen tiene que ser estéreo: un archivo mono no tiene laterales con los que trabajar, y la herramienta te lo dice en lugar de fingir que ha hecho algo.

Para qué sirve de verdad

Un karaoke aproximado de material antiguo. Sacar de oído una línea de bajo o la melodía de la voz. Comprobar qué puso un productor en el centro de una mezcla, que es algo muy instructivo de escuchar. Una base rápida para practicar en casa.

Para lo que no sirve: nada que se vaya a lanzar, vender o publicar. Los artefactos se oyen en un par de altavoces decentes, el equilibrio no es el correcto y separar una grabación no te da sobre ella ningún derecho que no tuvieras ya.

Cuando necesitas una separación de verdad

Los modelos de separación de fuentes como Demucs y Spleeter hacen un trabajo realmente distinto. Están entrenados con grandes cantidades de música y estiman cada instrumento por separado, así que pueden sacar la voz de una mezcla moderna, abierta y con mucha reverb, y darte también stems separados de batería y bajo. Los resultados juegan en otra liga y, para cualquier cosa que se acerque a un trabajo profesional, son la única respuesta sensata.

El precio es potencia de cálculo y comodidad. Estos modelos son pesados, así que la mayoría de los servicios web que los ofrecen suben tu audio a un servidor para ejecutarlos, y en cuanto a privacidad eso es algo completamente distinto de lo que pasa aquí. Ejecutar Demucs en tu propio ordenador supone un entorno de Python y algo de paciencia. Si necesitas stems limpios para un trabajo real, ese es el camino. Si quieres una versión karaoke de un disco de 1971 en diez segundos sin que el archivo salga de tu portátil, con la aritmética basta.

No se sube nada

La decodificación, la resta y la escritura del WAV ocurren en la página que tienes abierta. Tu música nunca llega a un servidor, y eso importa si la pista es una grabación tuya sin publicar y no algo sacado de un servicio de streaming. Abre la pestaña Red de las herramientas para desarrolladores del navegador y lanza una separación: ninguna petición lleva el audio, porque no se hace ninguna petición así.