Quitar la música de fondo de un audio
o vídeo con IA

¿Se puede quitar la música de fondo de una grabación?

Sí, si el sonido no deseado es música. La separación de fuentes por IA divide una grabación en una pista de voz y todo lo demás, así que la música acaba en un archivo aparte. Usa la herramienta Eliminador de voces con IA (no el convertidor de MP3 de esta página) y elige Solo voces.

• Música, ritmos, jingles: se eliminan bien, porque el modelo se creó para separar música.
• Otras voces (TV, gente cerca): se quedan en la pista de voz, porque toda voz humana cuenta como voz.
• Ruido constante (zumbido, viento, tráfico): solo se elimina en parte. Para eso, usa una herramienta de reducción de ruido.

Cómo eliminar la música de fondo

Eliminar la música de fondo de una grabación requiere tres pasos. La IA hace todo el trabajo pesado — tú solo subes el archivo, eliges el modo correcto y descargas.

1. Sube tu archivo al Eliminador de voces con IA. Abre la herramienta Eliminador de voces con IA y suelta tu grabación en ella, o haz clic para buscarla. Acepta MP3, WAV, FLAC, OGG, M4A, AAC, WMA y vídeo MP4 o WebM, hasta 50 MB. Utiliza el archivo fuente de mayor calidad que tengas — un WAV o FLAC sin pérdida producirá una separación más limpia que un MP3 comprimido.
2. Selecciona el modo «Solo voces». Este es el paso crítico. En el modo Solo voces, la IA Demucs divide tu audio en dos pistas: voces, que contiene toda el habla y el canto humanos, y una pista instrumental con todo lo demás. La música de fondo acaba en la pista instrumental y te queda un diálogo limpio.
3. Descarga la pista de voces. Cuando termine el procesamiento, descarga el archivo Voces (MP3 a 320 kbps). Contiene tu habla sin la música de fondo. Puedes usarlo directamente o importarlo a tu editor de audio o vídeo para sustituir la pista mezclada original.

Cuándo necesitas eliminar música de fondo

Esta herramienta resuelve un problema específico: tienes una grabación donde el habla es buena, pero hay música no deseada sonando al fondo. Estos son los escenarios más comunes.

• Limpieza de podcast. Un invitado grabó su parte de la conversación con música sonando en su habitación, o un copresentador tenía una playlist de Spotify que se colaba en su micrófono. El habla es perfectamente utilizable, pero la música de fondo hace que el episodio suene poco profesional y crea posibles problemas de derechos de autor. Pasar el audio por el modo Solo voces elimina la música y conserva la conversación.
• Grabaciones de entrevistas. Las entrevistas realizadas en cafeterías, restaurantes o eventos a menudo captan la música del sistema de sonido del lugar. Las respuestas del entrevistado se entienden, pero la música ambiental distrae y hace que la grabación sea difícil de utilizar en un documental, un reportaje o un artículo. La separación por IA aísla las voces de la banda sonora del local.
• Narración de vídeo con banda sonora. Grabaste una voz en off o narración sobre un vídeo que ya tenía música de fondo incrustada en la pista de audio. Ahora necesitas la narración sin la música — quizá para volver a editar el vídeo con otra música, o para usar la narración en otro contexto. Demucs separa la narración hablada de la banda sonora subyacente.
• Extracción de voz en off de un vídeo. Un vídeo de formación, un explicativo o una presentación tiene un narrador hablando sobre música de fondo. Quieres reutilizar la narración en un nuevo proyecto, traducirla o transcribirla con precisión. Extraer un habla limpia sin la música hace que la transcripción sea mucho más precisa y te proporciona una pista de voz en off aislada y utilizable.
• Limpiar grabaciones con TV o radio de fondo. Alguien grabó una nota de voz, una llamada telefónica o un vídeo casero mientras sonaba de fondo un programa de TV, una emisora de radio o un stream de música. El audio de fondo distrae y puede contener material protegido por derechos de autor. La IA puede eliminar los componentes musicales y limpiar notablemente la grabación.

Separación de habla vs. música

Comprender cómo la IA separa el audio te ayuda a establecer expectativas realistas sobre la calidad del resultado.

Demucs es una red neuronal profunda entrenada con música. Ha aprendido a descomponer el audio mezclado en cuatro stems: voces (cualquier voz humana — cantada o hablada), batería (percusión), bajo (bajo eléctrico, bajo de sintetizador, instrumentos de baja frecuencia) y otros (todo lo demás — guitarras, teclados, cuerdas, sintes, efectos de sonido). Cuando seleccionas Solo voces, obtienes el stem vocal más un archivo instrumental que combina los otros tres.

Esto significa que la IA elimina todos los sonidos no vocales, no solo la «música» en el sentido tradicional. Esto es lo que se separa:

• Eliminado: música de fondo, loops instrumentales, banda sonora, jingles, guitarra, piano, sintetizadores, ritmos de batería, líneas de bajo, colchones musicales ambientales.
• Conservado: habla, canto, tarareo, risas, respiraciones vocales, sonidos de labios — cualquier cosa producida por la voz humana.
• Parcialmente eliminado: ruido ambiental, reverberación de la sala, viento, tráfico, zumbido del aire acondicionado. Estos sonidos no musicales y no vocales no encajan del todo en ninguna de las cuatro categorías de stems. La IA los gestiona de manera inconsistente — parte del ruido ambiental acaba en el stem de voces, parte en el stem de otros. Obtendrás una grabación más limpia, pero no esperes una eliminación total del ruido ambiental.

Conclusión práctica: si tu grabación tiene habla mezclada con música, la separación será muy efectiva. Si el sonido no deseado es ruido ambiental no musical (tráfico, viento, HVAC), los resultados serán parciales. Para una noise reduction pura sin separación musical, una herramienta de noise reduction dedicada es más apropiada.

Consejos para una extracción de habla limpia

La IA hace la mayor parte del trabajo, pero la calidad de tu entrada afecta directamente a la calidad de la salida. Sigue estas pautas para obtener la extracción de habla más limpia posible.

• Usa el archivo fuente de mayor calidad. Los archivos WAV y FLAC conservan todo el detalle de audio, dando a la red neuronal la mayor cantidad de información con la que trabajar. Si solo tienes un MP3, usa la versión con la tasa de bits más alta disponible. Un MP3 a 320 kbps se separará mejor que una versión a 128 kbps de la misma grabación porque conserva más información espectral, que la IA utiliza para distinguir el habla de la música.
• Asegúrate de que el habla suene más fuerte que la música. La separación por IA funciona mejor cuando la señal objetivo (el habla) es el componente dominante. Las grabaciones donde el habla y la música están a niveles de volumen similares producen buenos resultados. Las grabaciones donde la música es bastante más fuerte que el habla son más difíciles — la IA puede perder algún detalle del habla junto con la música. Si es posible, ajusta la mezcla antes de procesar para que el habla quede por encima de la música.
• Minimiza otras fuentes de ruido. La música de fondo es lo que quieres eliminar, pero otras capas de ruido (eco de sala, viento, siseo) añaden complejidad. La IA resuelve muy bien una tarea de separación — separar voces de instrumentos. Añadir ruido encima de la música encima del habla hace que las tres sean más difíciles de desenredar. Graba en un entorno silencioso cuando sea posible, aunque la música sea inevitable.
• Recorta hasta la sección relevante. Si solo una parte de tu grabación tiene el problema de música de fondo, recorta el archivo a esa sección antes de subirlo. Los archivos más cortos se procesan más rápido y evitas reprocesar secciones que ya están limpias. Después puedes volver a unir los segmentos en cualquier editor de audio.
• Comprueba tanto la salida de voces como la instrumental. A veces una pequeña cantidad de habla se filtra al stem instrumental, o un poco de música se filtra al stem de voces. Escuchar ambas salidas te ayuda a identificar posibles artefactos de separación. Si el stem de voces tiene restos de música, vuelve a procesar el archivo con la calidad Mejor, que utiliza un modelo afinado.

Alternativa: extraer primero el audio del vídeo

Los vídeos MP4 y WebM pueden ir directamente al eliminador de voces: lee la pista de audio e ignora la imagen. Los archivos MOV, AVI y MKV necesitan antes un paso adicional. Este es el flujo de trabajo:

1. Extrae la pista de audio de tu vídeo. Utiliza una herramienta como FFmpeg (ffmpeg -i video.mp4 -vn -acodec pcm_s16le audio.wav) o cualquier conversor en línea de vídeo a audio. Extrae como WAV para obtener la mejor calidad. Si el vídeo tiene varias pistas de audio (p. ej., narración en la pista 1, música en la pista 2), es posible que ya tengas una separación limpia y no necesites IA en absoluto — revisa primero los ajustes de pistas de audio de tu editor de vídeo.
2. Sube el audio extraído al eliminador de voz. Selecciona el modo Solo voces y procesa. La IA separará el habla de la música de fondo en la pista de audio extraída.
3. Reemplaza el audio en tu editor de vídeo. Importa la pista vocal limpia de nuevo en tu software de edición de vídeo (Premiere Pro, DaVinci Resolve, Final Cut Pro, CapCut o cualquier editor). Silencia o elimina la pista de audio original y sincroniza la pista de voces limpia en su lugar. La mayoría de los editores te permiten alinear el nuevo audio al inicio de la línea de tiempo para una sincronización perfecta.

Este flujo de trabajo de tres pasos es estándar para los productores de vídeo que necesitan limpiar material de entrevistas, eliminar música con derechos de autor de contenido generado por usuarios o aislar la narración para volver a editar. Extraer primero el audio también reduce el tamaño de la subida, lo que ayuda con el límite de 50 MB. Si prefieres eliminar toda la banda sonora, nuestra herramienta para quitar el audio de un vídeo lo hace en un solo paso.

Otras formas de quitar la música de fondo

Los hilos de foros sobre esta cuestión apuntan siempre a las mismas pocas opciones. La reducción de ruido convencional no sirve con la música, porque la música cambia constantemente y los filtros de ruido esperan un sonido estable.