Die kurze Antwort
Ein Stem ist eine Gruppe von Klängen aus einem Song, etwa alle Stimmen oder das ganze Schlagzeug, als eigene Audiodatei. Ein Stem Splitter rekonstruiert diese Gruppen aus dem fertigen Mix: Der Vocal Remover liefert Gesang, Schlagzeug, Bass und übrige Instrumente als vier gleich lange WAV-Dateien, die synchron laufen, wenn du sie in der DAW an den Anfang von vier Spuren legst.
Kostenloses Tool öffnenWas ist ein Stem? Stems und Mehrspuraufnahmen
Im Studio entsteht ein Song aus vielen einzelnen Aufnahmen: ein Mikro an der Bassdrum, eins an der Snare, zwei Overheads, ein Bass, drei Gitarren, die Hauptstimme, ein paar Chorspuren. Das sind die Einzelspuren einer Mehrspuraufnahme, oft mehrere Dutzend.
Stems liegen eine Stufe darüber. Jeder Stem fasst zusammengehörige Spuren zu einer Datei zusammen: Alle Schlagzeugmikros werden zum Drum-Stem, alle Stimmen zum Vocal-Stem. Spielt man die Stems in ihrer ursprünglichen Lautstärke zusammen ab, ergibt sich der fertige Song. Künstler geben Stems für Remix-Wettbewerbe heraus, im Mastering wird manchmal damit gearbeitet, und Live-Bands nutzen sie als Zuspieler.
Veröffentlicht wird meist nur der fertige Stereomix, in dem alles auf zwei Kanälen zusammengemischt ist. Genau da setzt Stem-Splitting an: Es rechnet vom fertigen Mix rückwärts und schätzt, wie die Stems ausgesehen haben.
Die vier Stems und was jeweils darin landet
Der Vocal Remover nutzt das Modell Hybrid Transformer Demucs von Meta. Es trennt einen Song in dieselben vier Gruppen, die auch der Forschungs-Benchmark verwendet, auf den es trainiert wurde:
| Stem | Was meist darin landet | Typische Verwendung |
|---|---|---|
| Gesang | Hauptstimme, Harmonien, Backgroundgesang, Effekte auf der Stimme wie Hall und Delay | Acapella für Remixe, Gesangsparts lernen, Songtexte heraushören |
| Schlagzeug | Bassdrum, Snare, Hi-Hats, Becken, Toms und die meiste Percussion | Schlagzeug üben, Beats samplen, Grooves analysieren |
| Bass | E-Bass, Synth-Bass, der tiefe Anteil einer 808 | Basslinien lernen, das Bassfundament im Remix neu bauen |
| Übrige Instrumente | Gitarren, Klavier, Keyboards, Streicher, Bläser, Synth-Flächen und Leads | Übungsspuren, Akkorde heraushören, neue Arrangements |
| Instrumental (Schlagzeug + Bass + Übrige) | Alles außer der Stimme | Karaoke und Playbacks |
Wie funktioniert ein KI-Stem-Splitter?
Demucs ist ein neuronales Netz, das mit Songs trainiert wurde, deren echte Stems bekannt waren. Im Training hörte es den Mix, schätzte jeden Stem und wurde anhand der echten Spuren korrigiert, unzählige Male. Danach kann es dieselbe Schätzung für Songs abgeben, die es nie gehört hat. Laut Demucs-Repository wurde das hier genutzte Modell mit dem Datensatz MUSDB plus 800 weiteren Songs trainiert.
Hybrid Transformer Demucs betrachtet den Klang auf zwei Arten gleichzeitig. Ein Zweig liest die Wellenform, also den Verlauf des Signals über die Zeit. Der andere liest ein Spektrogramm, ein Bild davon, welche Frequenzen in welchem Moment klingen. In der Mitte tauschen beide Zweige über einen Transformer Informationen aus, sodass das Modell einer Stimme folgen kann, selbst wenn eine Gitarre dieselben Töne spielt. Im zugehörigen Fachartikel erreichte dieser Aufbau 9,20 dB SDR auf dem MUSDB-Testset, einem gängigen Maß für Trennqualität.
Ein ganzer Song passt nicht am Stück ins Modell. Der Vocal Remover verarbeitet ihn deshalb in überlappenden Abschnitten von rund acht Sekunden und blendet die Übergänge weich ineinander, damit keine Nahtstellen zu hören sind. Gerechnet wird mit ONNX Runtime Web im Browser, auf dem Grafikchip, wenn WebGPU verfügbar ist, sonst auf dem Prozessor. Hochgeladen wird der Song nie.
KI-Stems in der DAW anlegen
Jeder Stem ist eine Stereo-WAV mit 44,1 kHz und 16 Bit und genau so lang wie der Originalsong. Das macht den Import einfach:
Alle vier Stems herunterladen
Nutze den Download-Button neben jedem Stem. Die Dateien tragen den Songnamen plus den Stem und landen dadurch sortiert im selben Ordner.
Projekt mit 44,1 kHz anlegen
Stell die Abtastrate des Projekts auf 44,1 kHz oder lass die DAW die Dateien beim Import umrechnen. Beides funktioniert; gleiche Raten sparen nur einen Umrechnungsschritt.
Jeden Stem ganz an den Anfang legen
Leg jede WAV auf eine eigene Spur und zieh sie an den allerersten Punkt der Zeitleiste. Weil alle vier Dateien gleichzeitig beginnen und gleich lang sind, laufen sie synchron.
Automatisches Time-Stretching abschalten
Manche DAWs erkennen beim Import ein Tempo und strecken das Audio. Schalte das für die Stems aus, sonst laufen sie auseinander. Stell das Projekttempo auf das Songtempo, wenn das Raster zum Beat passen soll.
Die Summe prüfen
Spiel alle vier Stems gleich laut ab. Sie sollten sehr nah am Original klingen. Jetzt kannst du jeden Teil stummschalten, solo hören, bearbeiten oder ersetzen.
Wofür nutzt man Stems?
- Remixe und Mashups: Gesang behalten, Schlagzeug und Bass austauschen oder einen neuen Beat unter die Acapella legen.
- Üben: das eigene Instrument stummschalten und mit dem Rest der Band spielen, oder es solo hören, um genau zu verstehen, was gespielt wurde.
- Heraushören: Akkorde sind im Stem der übrigen Instrumente ohne Gesang und Schlagzeug darüber viel leichter zu erkennen.
- DJ-Sets: Ein eigener Gesangs- oder Drum-Stem erlaubt Übergänge, die mit dem fertigen Mix nicht möglich sind.
- Mischen lernen: zu hören, wie laut der Bass neben der Bassdrum sitzt oder wie viel Hall auf einer Stimme liegt, bringt mehr als jeder Artikel.
Grenzen von KI-Stems und die Rechtefrage
KI-Stems sind Schätzungen. Hall von der Stimme kann leise in anderen Stems hängen bleiben, Backgroundchöre landen teils bei den übrigen Instrumenten, und ein stimmähnliches Instrument wie ein Lead-Synth oder eine Geige kann in den Gesangs-Stem bluten. Live-Aufnahmen und Dateien mit niedriger Bitrate trennen sich weniger sauber als Studiomaster. Offizielle Stems vom Künstler sind, wenn es sie gibt, immer sauberer.
Einen Song zum Üben, Lernen oder für eigene Experimente zu zerlegen ist in Ordnung. Einen Remix zu veröffentlichen oder Stems in einem öffentlichen Video zu nutzen braucht die Erlaubnis für Aufnahme und Komposition; die GEMA weist darauf hin, dass für Veränderungen an Text oder Komposition unter Umständen die Zustimmung von Urheber oder Verlag nötig ist. Das ist keine Rechtsberatung.
Noch Fragen?
Was ist der Unterschied zwischen Stems und Einzelspuren?
Einzelspuren sind die einzelnen Aufnahmen einer Session, oft Dutzende. Stems sind Gruppen davon, zusammengemischt, etwa das ganze Schlagzeug oder alle Stimmen. Ein Stem Splitter kann nur Stems schätzen, keine einzelnen Mikrofone.
Kann ich Gitarre und Klavier getrennt bekommen?
Nein. Gitarre, Klavier, Keys, Streicher und Synths teilen sich den Stem der übrigen Instrumente. Das Demucs-Projekt hat zwar ein experimentelles Modell mit sechs Spuren inklusive Gitarre und Klavier, laut seinen Autoren funktioniert das Klavier darin aber noch nicht gut. Dieses Tool nutzt das Modell mit vier Stems.
Liegen die Stems in meiner DAW exakt übereinander?
Ja, wenn jeder ganz am Anfang seiner Spur startet. Alle Stems sind genau so lang wie der Song. Schalte automatisches Time-Stretching ab, damit nichts verrutscht.
Ergeben die vier Stems zusammen wieder den Song?
Fast genau. Gleich laut zusammen abgespielt klingen sie sehr nah am Originalmix. Das Tool spielt das in der Einstellung mit allen Stems ab, aus den vier Teilen neu zusammengesetzt.
Sind KI-Stems so gut wie offizielle Stems?
Meist nicht. Offizielle Stems stammen aus der Studiosession und sind perfekt getrennt. KI-Stems reichen für Üben, Remixe und Analyse, mit kleinen Resten an schwierigen Stellen.
Quellen & hilfreiche Details
- Meta Research: Demucs, Modell zur Trennung von Musikspuren (GitHub, englisch)
- Rouard, Massa, Défossez: Hybrid Transformers for Music Source Separation (arXiv 2211.08553, englisch)
- ONNX Runtime: Maschinelles Lernen in Webanwendungen (englisch)
- MDN Web Docs: Web Audio API
- MDN Web Docs: WebGPU API
- GEMA Hilfe: Gilt bei einer Coverversion das Urheberrecht?
Diese Anleitungen beruhen auf den aktuellen LoschaZ-Tools und den oben genannten Quellen. Beispiele dienen zur Erklärung und sind keine Tests auf jedem Gerät oder Zusagen für ein identisches Ergebnis.
