Wie KI einen Song wirklich in Stems aufteilt
Gesang, Schlagzeug und Bass aus einem fertigen Mix herauszuholen klingt unmöglich, als wollte man einen Kuchen wieder ent-backen. Hier erfährst du, was dabei wirklich passiert und warum manche Spuren sauber herauskommen, während andere ein bisschen unsauber bleiben.
Kurze Antwort
Wie funktioniert ein KI-Stem-Splitter?
Ein KI-Stem-Splitter zerlegt einen gemischten Song in seine Bestandteile, also Gesang, Schlagzeug, Bass, Gitarre und Klavier, indem er den Fingerabdruck jedes Instruments in einem Spektrogramm erkennt und jede Spur als eigenen Track neu aufbaut. Riffloop führt diese Trennung auf deinem Gerät aus, mit dem YouTube-Song, den du gerade anschaust, oder einer Datei, die du hochlädst, sodass du beim Üben jede Spur solo hören oder stummschalten kannst.
Wenn du einen Song abspielst, macht die Membran deines Lautsprechers genau eine Sache: Sie bewegt sich auf einer einzigen Bahn vor und zurück. Jedes Instrument, jede Stimme, die ganze Band ist bereits zu einer einzigen gemischten Wellenform aufsummiert. In der Datei steckt keine versteckte „Gesangsspur“, die nur darauf wartet, herausgeholt zu werden. Da ist nur die Summe.
Wenn du eine Software bittest, dir den isolierten Gesang zurückzugeben, verlangst du also von ihr, den Kuchen zu ent-backen: auf den fertigen Mix zu schauen und Zutaten zu rekonstruieren, die miteinander verrührt und streng genommen weggeworfen wurden. Dass das überhaupt funktioniert, ist wirklich beeindruckend. Wer versteht, wie es funktioniert, weiß genau, wann er dem Ergebnis trauen kann.
01Das Modell lernt, wie jede Spur aussieht
KI-Trennung wird mit riesigen Song-Bibliotheken trainiert, bei denen die isolierten Spuren tatsächlich bekannt sind: Das Studio hat den echten Gesang, das echte Schlagzeug und den echten Bass einzeln. Dem Netzwerk wird der komplette Mix zusammen mit diesen echten Spuren gezeigt, immer und immer wieder, bis es lernt, wie Gesang, eine Snare oder ein Basston typischerweise aussehen, und zwar als Bild von Frequenzen über die Zeit, als Spektrogramm.
Bei einem brandneuen Song, den es noch nie gehört hat, schätzt es dann für jede Spur eine Art Schablone: Es entscheidet, welche Frequenzen in jedem Moment zum Gesang gehören, welche zum Schlagzeug und so weiter, und hebt sie heraus. Es stellt nicht die Originaldateien wieder her. Es trifft eine fundierte Schätzung, gestützt auf jeden Song, mit dem es trainiert wurde.
02Warum manche Spuren sauberer herauskommen
Nicht jedes Instrument lässt sich gleich leicht erraten, und genau das solltest du wissen, bevor du ein Ergebnis beurteilst:
- Gesang und Schlagzeug trennen sich sauber. Stimmen haben einen unverwechselbaren Fingerabdruck und Schlagzeug besteht aus scharfen Impulsen in der Zeit, deshalb erkennt das Modell beides zuverlässig. Bei einem guten Mix kommen sie nah am Original heraus.
- Bass und Klavier kommen sehr gut heraus. Sie liegen in ziemlich vorhersehbaren Bereichen, also muss weniger geraten werden.
- Synths, Streicher und „alles andere“ sind am unsaubersten. Sie verschmieren über dieselben Frequenzen wie die anderen Instrumente, sodass das Modell nicht sauber entscheiden kann, was wem gehört. Dieser übrig gebliebene „Sonstiges“-Topf ist der raueste Teil jeder Trennung, bei jedem Tool auf dem Markt, nicht nur bei einem.
03Die Aufnahme zählt mehr als das Tool
Viele geben der Software die Schuld, wenn ein Stem wässrig klingt, doch der größere Faktor ist meist die Quelle. Eine saubere, gut gemischte Studioaufnahme liefert dem Modell klare Zutaten zum Auseinandernehmen. Ein mit dem Handy aufgenommener Live-Clip, ein Lo-Fi-Upload oder ein stark bearbeiteter Track liefert ihm einen Mix, in dem die Quellen schon ineinander verschwommen sind, und keine noch so große Raffinesse kann das vollständig entwirren.
Wenn ein Ergebnis enttäuscht, probier also eine sauberere Version desselben Songs, bevor du dem Tool die Schuld gibst. Aus schlechtem Material wird nicht automatisch ein schlechtes Ergebnis, aber ein schwierigeres. Das ist Physik, kein Bug.
04Auf deinem Gerät oder auf einem Server
Es gibt noch eine Designentscheidung, die im Stillen viel ausmacht: wo die Trennung läuft. Viele Tools laden dein Audio auf ihre Server hoch, erledigen die Arbeit in der Cloud und schicken die Stems zurück. Das heißt, deine Dateien, auch alles, was du selbst aufgenommen hast, verlassen deinen Rechner.
Riffloop führt die Trennung stattdessen auf deinem Gerät aus, direkt im YouTube-Video, das du anschaust, oder in einer Datei, die du hochlädst, und zerlegt den Song in sechs Stems: Gesang, Schlagzeug, Bass, Gitarre, Klavier und den Rest. So wird nichts hochgeladen. Bei einem Übungstool, mit dem du Demos und Unterrichtsaufnahmen bearbeitest, ist lokales Audio genau der Unterschied, durch den du nicht mehr darüber nachdenken musst.
Teile jeden Song in sechs Stems auf
Zerlege einen Song in Gesang, Schlagzeug, Bass, Gitarre, Klavier und den Rest und hör dann jede Spur solo oder schalte sie stumm, im YouTube-Video oder in einer Datei, die du hochlädst. Kostenlos starten, ohne Anmeldung, nichts verlässt dein Gerät.
05Wer die Schätzung kennt, nutzt sie besser
Sobald du keine Perfektion mehr erwartest, werden Stems zu einem unglaublich nützlichen Übungswerkzeug. Vertrau den Isolierungen von Gesang, Schlagzeug und Bass. Rechne damit, dass der Topf mit Streichern und Synths rau klingt, und versuch nicht, feine Details daraus zu transkribieren. Füttere das Tool mit der saubersten Aufnahme, die du finden kannst. Dann bekommst du genau das, wofür Trennung gut ist: eine einzelne Spur so klar zu hören, dass du sie endlich lernen kannst.
Es war nie Magie. Es ist eine sehr gute Schätzung, trainiert mit einem Berg von Musik, und sie läuft leise auf deinem Laptop. Das reicht völlig, um zu verändern, wie du übst.