Cómo aislar la voz
Extraer la voz de una canción se hace en tres pasos. La IA se encarga de lo difícil — tú solo subes tu archivo y eliges el modo correcto.
- Sube tu canción. Ve a la herramienta de eliminación de voz y arrastra tu archivo de audio al área de carga. La herramienta acepta MP3, WAV, FLAC, OGG, M4A, AAC, WMA, e incluso archivos de vídeo como MP4 y WebM (el audio se extrae automáticamente). El tamaño máximo del archivo es 50 MB.
- Selecciona el modo «Solo voz». Este es el ajuste clave para el aislamiento vocal. Cuando eliges Solo voz, la IA genera dos archivos separados: la pista vocal aislada y la pista instrumental (karaoke). Obtienes ambos stems con una sola subida — no necesitas procesar la canción dos veces. Luego elige tu ajuste de calidad: Rápido para resultados rápidos (1 a 3 minutos), o Mejor para la separación más limpia posible (5 a 10 minutos).
- Descarga tu pista vocal. Cuando termine el procesamiento, verás tarjetas de descarga para cada stem. Descarga la pista vocal, el instrumental, o ambas en un único archivo ZIP. Todas las salidas se entregan como archivos WAV para una máxima calidad de audio.
Consejo: el modo Solo voz siempre te da tanto el stem vocal como el stem instrumental. Si además quieres separar la batería y el bajo del instrumental, usa el modo Stems completos — divide la canción en cuatro pistas: voz, batería, bajo y otros instrumentos.
Usos de la voz aislada
Una vez que tienes una pista vocal limpia separada del instrumental, se abren las posibilidades creativas. Estos son los usos más comunes para la voz aislada.
Remixes
Toma la voz de una canción y colócala sobre un instrumental completamente distinto. Los productores usan voces aisladas para crear remixes, ediciones bootleg y mashups que cruzan géneros. Contar con un stem vocal limpio es esencial — cualquier filtración instrumental arruina la mezcla cuando la superpones sobre un nuevo beat.
Sampling y troceado
Los productores de hip-hop y música electrónica samplean frases vocales, ad-libs y fragmentos melódicos de canciones existentes. Las voces aisladas te permiten trocear palabras, respiraciones y runs vocales sin que se filtren baterías ni instrumentos. Carga el WAV vocal en tu sampler y córtalo libremente.
Versiones y práctica
Los cantantes usan voces aisladas para estudiar técnica vocal — escuchar solo la voz revela fraseo, vibrato, control del aire y armonías que quedan enmascarados en la mezcla completa. También puedes cantar junto a la voz aislada para practicar afinación y ritmo antes de actuar solo con el instrumental.
Análisis vocal
Profesores de música, coaches vocales y estudiantes usan pistas vocales aisladas para analizar la técnica de canto en detalle. Sin el instrumental enmascarando matices sutiles, puedes escuchar cada detalle vocal: afinación, dinámicas, articulación y decisiones estilísticas que definen el sonido de un cantante.
Educación musical
Aislar la voz en grabaciones conocidas ayuda a los estudiantes a comprender el arreglo y la producción. Escuchar la voz cruda revela cuánto procesamiento — reverb, delay, compresión, corrección de tono — se aplicó en el estudio. Tiende un puente entre lo que los estudiantes oyen en la mezcla final y cómo suena realmente la voz.
Mashups
Un mashup superpone las voces de una canción sobre el instrumental de otra. Un aislamiento vocal limpio es la base — cualquier filtración del instrumental original crea conflictos de frecuencias con la nueva pista de acompañamiento. Cuanto más limpio sea tu stem vocal, más fluido sonará el mashup.
Calidad del aislamiento vocal
No todas las canciones se separan igual de bien. La calidad de tu pista vocal aislada depende de varios factores del material fuente y de los ajustes que elijas.
- Las grabaciones de estudio limpias dan los mejores resultados. Las canciones grabadas en un estudio profesional con aislamiento de micrófono adecuado, reverb mínima en la voz y una mezcla bien estructurada ofrecen a la IA la señal más clara para trabajar. Las pistas de pop, R&B y hip-hop con voces secas y al frente tienden a separarse excepcionalmente bien.
- Las grabaciones en vivo son más difíciles. Las grabaciones de conciertos, las sesiones en vivo y los bootlegs captan la voz mediante micrófonos de sala que también recogen toda la banda, el ruido del público y las reflexiones del recinto. La IA aún puede extraer una voz utilizable, pero espera más artefactos y filtraciones que en una grabación de estudio. Las mezclas de mesa (grabadas directamente desde la consola) se comportan mejor que las grabaciones hechas desde el público.
- Las voces multicapa suponen un reto. Las canciones con apilamientos vocales densos — voz principal, múltiples líneas de armonía, voces dobladas, capas susurradas y efectos vocales procesados para fundirse con los instrumentos — se separan con cierta pérdida de claridad. La IA trata todas las voces como un único stem, por lo que las extrae todas juntas, pero arreglos vocales muy densos que se solapan con frecuencias instrumentales pueden conservar cierta filtración.
- Las voces muy procesadas pueden ser complicadas. El auto-tune extremo, los efectos de vocoder y las voces con distorsión intensa o bit-crushing empiezan a parecerse a instrumentos sintetizados en sus características frecuenciales. La IA puede tener dificultades para distinguir una voz muy procesada de un pad de sintetizador, lo que conduce a una extracción parcial.
- La calidad del archivo fuente importa. Un MP3 a 320 kbps o un WAV/FLAC sin pérdidas producirán una separación más limpia que un MP3 a 128 kbps o una captura rehecha con teléfono. La compresión con pérdidas elimina información de frecuencia que la IA necesita para distinguir la energía vocal de la instrumental. Usa siempre el archivo fuente de mayor calidad disponible.
Para el aislamiento más limpio posible, usa el modo Mejor calidad. Realiza más pasadas de procesamiento a través de la red neuronal, reduciendo artefactos y filtraciones a costa de un mayor tiempo de procesamiento (5 a 10 minutos en lugar de 1 a 3 minutos).
Voces aisladas para producción musical
Una vez descargado el archivo WAV de voz aislada, así es como usarlo en un flujo de trabajo de producción.
- Importa a tu DAW. Arrastra el archivo WAV vocal directamente a tu estación de trabajo de audio digital — Ableton Live, FL Studio, Logic Pro, Pro Tools, Reaper o cualquier otra DAW. Los archivos WAV están universalmente soportados y conservan toda la calidad sin reencodar. La voz aparecerá como un clip de audio estándar en una nueva pista.
- Samplea y trocea. Carga la voz en un instrumento sampler (Ableton Simpler/Sampler, FL Studio Slicex, Logic EXS24, o un sampler hardware como el MPC). Coloca puntos de corte en los límites de las palabras, en las respiraciones o en los acentos rítmicos. Asigna los cortes al teclado MIDI y dispara fragmentos vocales individuales para crear nuevos patrones rítmicos y melódicos.
- Ajuste de tono y tempo. Cambia el tono de la voz para que se ajuste a tu producción con las herramientas de pitch-shifting de tu DAW. Deforma o estira temporalmente la voz para encajarla al tempo de tu proyecto sin cambiar el tono. La mayoría de las DAW lo gestionan de forma no destructiva — puedes experimentar libremente sin alterar el archivo original.
- Aplica efectos. Procesa la voz aislada con reverb, delay, chorus, distorsión o cualquier cadena de efectos. Al estar la voz separada del instrumental, los efectos se aplican limpiamente solo a la voz sin procesar la batería, el bajo ni otros instrumentos. Esto te da el mismo control creativo que tiene un ingeniero de mezcla trabajando con grabaciones de estudio multipista.
- Superpón con tu propia producción. Coloca la voz aislada sobre tu propio beat, progresión de acordes o paisaje sonoro. Ajusta el volumen, el paneo y la ecualización de la voz para que encaje de forma natural en tu mezcla. La separación limpia permite tratar la voz como si hubiera sido grabada específicamente para tu proyecto.
Aislamiento por IA vs extracción manual
Antes de que existiera la separación de fuentes por IA, los productores e ingenieros usaban técnicas manuales para extraer voces de grabaciones mezcladas. Estos métodos aún existen, pero tienen limitaciones fundamentales que la IA supera.
| Método | Cómo funciona | Limitaciones |
|---|---|---|
| Cancelación de fase | Invierte una pista stereo y combina los canales para cancelar los elementos centrados (normalmente la voz). Lo que queda es la información lateral — instrumentos paneados a izquierda y derecha. | Solo funciona en pistas stereo con voces centradas. Elimina todo lo que está en el centro, no solo la voz — el bajo, el bombo y la caja también están centrados y se cancelan. El resultado suena fino y hueco. No puede extraer la voz — solo eliminarla. |
| Notching con EQ | Recorta el rango de frecuencias donde se sitúa la voz (aproximadamente 300 Hz – 4 kHz) con un EQ paramétrico. La voz se atenúa mientras los instrumentos fuera de ese rango permanecen. | Elimina todos los instrumentos en ese mismo rango de frecuencias, no solo la voz. Guitarras, teclados y cuerdas se solapan mucho con las frecuencias vocales. El resultado suena apagado y antinatural. No aísla la voz en absoluto — solo la atenúa. |
| Procesado mid-side | Decodifica una pista stereo en componentes mid (centro) y side (anchura stereo). Reduce el canal mid para eliminar las voces centradas. | Misma limitación de centrado que la cancelación de fase. Cualquier instrumento paneado al centro se elimina junto con la voz. Las grabaciones mono no pueden procesarse en absoluto. El resultado pierde pegada y cuerpo. |
| Separación de fuentes con IA | Una red neuronal profunda (Demucs Hybrid Transformer) analiza los patrones frecuenciales y temporales de toda la mezcla para identificar y separar la energía vocal de la energía instrumental, independientemente de la posición stereo. | Puede introducir artefactos sutiles en pasajes complejos. Las voces muy procesadas que se parecen a sintetizadores pueden clasificarse erróneamente en parte. El procesamiento tarda entre 1 y 10 minutos según el ajuste de calidad. |
La ventaja fundamental de la separación con IA es que entiende a qué suena una voz, no solo dónde se sitúa en el campo stereo o en el espectro de frecuencias. La red neuronal se entrenó con miles de canciones con stems multipista aislados, así que aprendió a reconocer características vocales — formantes, vibrato, transitorios de consonantes, sonidos de respiración — y a separarlos de instrumentos que pueden ocupar las mismas frecuencias y la misma posición stereo. Las técnicas manuales no pueden hacer esto.
En la práctica, el aislamiento con IA ha reemplazado a la extracción manual para casi todos los casos de uso. El único escenario en el que la cancelación de fase mantiene una ligera ventaja es cuando dispones tanto de la mezcla completa como del lanzamiento instrumental oficial del mismo master — restar uno del otro produce una extracción vocal matemáticamente perfecta. Pero eso requiere tener exactamente el mismo master, lo que rara vez está disponible.