Stem-Trennung

Ein Song, den man streamt, ist eine einzige fertige Tonspur. Gesang, Schlagzeug, Bass und Gitarre sind darin zu einem Klang verschmolzen. Stem-Trennung macht diesen Schritt rückgängig. Eine Software zerlegt die fertige Aufnahme wieder in einzelne Spuren, sogenannte Stems. Typisch sind vier: Gesang, Schlagzeug, Bass und alles Übrige. Das Ergebnis ist keine echte Rekonstruktion der Originalaufnahme, sondern eine sehr gute Schätzung.

Warum Karaoke plötzlich für jeden Song geht

Früher brauchte man für eine Karaoke-Version die Originaldateien aus dem Tonstudio. Diese Dateien liegen bei der Plattenfirma und werden selten herausgegeben. Wer nur die veröffentlichte Version hatte, konnte den Gesang praktisch nicht entfernen. Es gab Tricks, aber sie klangen dumpf und zerstörten den Rest der Musik gleich mit.

Stem-Trennung hebt diese Einschränkung auf. Jeder Song, der als Audiodatei vorliegt, lässt sich in Minuten zerlegen. Das betrifft nicht nur Karaoke. DJs mischen live nur das Schlagzeug eines Stücks mit der Melodie eines anderen. Musikschüler isolieren die Bassspur, um sie mitzuspielen. Filmstudios trennen Dialog von Hintergrundgeräuschen, um alte Filme neu zu synchronisieren.

Rechtlich ist das heikel. Die Trennung selbst ist erlaubt, das Weiterverbreiten der Stems in der Regel nicht. Ein isolierter Gesang aus einem geschützten Song bleibt geschütztes Material. Genau daraus entstehen aber auch neue Konflikte: Solche Gesangsspuren dienen mitunter als Trainingsmaterial für Stimm-Imitationen.

Wie die Software den Klangbrei sortiert

Zuerst wird die Aufnahme in ein Bild umgerechnet, ein sogenanntes Spektrogramm. Die Zeit läuft darauf von links nach rechts, die Tonhöhe von unten nach oben. Helle Stellen bedeuten laute Töne. Ein Schlagzeugschlag sieht darin anders aus als ein gehaltener Gesangston. Der erste kurz und über viele Tonhöhen verschmiert, der zweite als schmale, waagerechte Linie.

Ein neuronales Netz lernt, diese Muster zu erkennen. Das ist ein lernendes Programm, das man mit vielen Beispielen füttert, statt ihm Regeln vorzugeben. Beim Training bekommt es Songs, deren Einzelspuren bekannt sind. Es bekommt also die Mischung und die richtige Lösung gleichzeitig. Aus Millionen solcher Vergleiche lernt es, welcher Teil des Bildes zu welchem Instrument gehört.

Im Betrieb erzeugt das Netz für jede Spur eine Art Schablone. Sie legt fest, welche Anteile des Spektrogramms zum Gesang gehören und welche nicht. Aus jeder Schablone wird dann wieder eine hörbare Datei berechnet. Ein häufiger Irrtum ist, das Ergebnis sei verlustfrei. Wo sich zwei Instrumente exakt dieselbe Tonhöhe teilen, muss die Software raten. Deshalb hört man an solchen Stellen oft ein wässriges Nachhallen, das Fachleute Artefakte nennen.

Von Spotify bis zur Remix-Szene

Bekannte Werkzeuge sind Demucs, ein frei verfügbares Modell aus der Forschung von Meta, und kommerzielle Dienste wie LALAL.AI oder Moises. Auch DJ-Programme wie Serato und Rekordbox haben die Funktion direkt eingebaut. Sie rechnet dort in Echtzeit, während das Stück läuft. Auf einem normalen Laptop dauert die Trennung eines Songs meist unter einer Minute.

In Nachrichten taucht der Begriff vor allem in zwei Zusammenhängen auf. Zum einen bei Musikrestaurierung: Die Beatles-Single „Now and Then“ von 2023 wurde möglich, weil Software John Lennons Stimme aus einer verrauschten Kassettenaufnahme herauslöste. Zum anderen im Streit um KI-Musik, weil getrennte Stimmspuren die Rohstoffe für Stimmklone liefern.

Abzugrenzen ist Stem-Trennung von der Transkription. Diese wandelt Musik in Noten um, liefert also Symbole statt Klang. Stem-Trennung dagegen liefert echte Audiodateien, die man abspielen kann. Beide Verfahren werden oft kombiniert, wenn eine App zu einem Song das Gitarrenspiel anzeigen soll.