Wersja karaoke albo sam głos - usuwanie wokalu z piosenki przez AI

"Usuń wokal" znaczy dla jednych "zostaw mi muzykę, będę śpiewać", a dla innych "daj mi sam głos do remiksu". W Kadrarisie każda z tych potrzeb ma swoje narzędzie. Music Extractor oddaje podkład bez śpiewu (karaoke, instrumental), a Vocal Remover robi odwrotnie i zostawia tylko głos (acapella). Stawka to 2,93 zł za minutę pliku źródłowego, przy czym każda zaczęta minuta liczy się w całości, więc utwór 3:30 kosztuje 4 × 2,93 zł za minutę. Poniżej pokazuję obsługę w przeglądarce i w API, liczę koszt całego wieczoru karaoke i piszę, czego te narzędzia nie potrafią.

Trzy narzędzia, trzy wyniki

Oba modele mają identyczne pole wejściowe, różnią się tym, co oddają:

Potrzebujesz i podkładu, i głosu? Puść oba narzędzia na tym samym pliku. Za trzyminutowy utwór wyjdzie 3 × 2,93 zł za minutę plus 3 × 2,93 zł za minutę. Gdy podkład ma się rozpaść jeszcze na instrumenty, zajrzyj do poradnika o rozdzieleniu utworu na ścieżki, a różnice obu narzędzi znajdziesz w porównaniu Vocal Remover i Music Extractor.

Pięć kroków w Studio

Wszystko dzieje się w przeglądarce, niczego nie instalujesz. Oba narzędzia znajdziesz w zakładce Audio.

1. Załóż konto przez rejestrację i zasil saldo kwotą od 40 zł (BLIK albo karta).
2. W Studio przejdź do Audio i na liście Model kliknij Music Extractor (podkład) lub Vocal Remover (głos).
3. W polu Plik audio (URL) użyj Wgraj plik i wskaż piosenkę z dysku. Studio przyjmuje MP3 i WAV do 25 MB. Możesz też wkleić publiczny link.
4. Spójrz na pole Koszt (o nim za chwilę) i naciśnij Generuj.
5. Wynik pojawi się w galerii obok formularza. Ściągnij go od razu.

Nie ma tu promptu ani suwaków, narzędzia pracują na ustawieniach domyślnych producenta. O jakości decyduje przede wszystkim plik, który podasz.

Skąd wyższa kwota w polu Koszt

Opłata zależy od długości nagrania, a tej system nie zna, zanim ściągnie plik. Na start blokuje więc zapas na 10 minut, czyli 10 × 2,93 zł za minutę. Tę kwotę widzisz w polu Koszt w Studio, a w API jako estimated_cost. Po zakończeniu pobierana jest opłata za faktycznie rozpoczęte minuty, a reszta od razu wraca. W praktyce oznacza to, że cały zapas musi się zmieścić w wolnych środkach, nawet gdy piosenka trwa 3 minuty.

To samo przez API

Przy całym katalogu nagrań albo funkcji karaoke we własnej aplikacji wysyłasz plik przez POST /v1/generate. W input jest tylko audio_url, czyli publiczny adres http(s) pliku, dostępny bez logowania.

curl https://kadraris.com/v1/generate \
  -H "Authorization: Bearer $KADRARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "music-extractor",
    "input": { "audio_url": "https://twoj-serwer.pl/audio/piosenka.wav" }
  }'

W odpowiedzi 202 są id, poll_url i estimated_cost (czyli opisana blokada). Wynik czytasz tak:

curl https://kadraris.com/v1/tasks/task_8f2k... \
  -H "Authorization: Bearer $KADRARIS_API_KEY"

Kiedy status to succeeded, w tablicy output leży plik z podkładem (type: "audio"), a w cost rzeczywista kwota. Przy failed płacisz 0 zł.

Ten skrypt robi z listy utworów komplet, czyli podkład i głos dla każdego, i zapisuje pliki na dysku:

import os, time, requests

API = "https://kadraris.com/v1"
KEY = os.environ["KADRARIS_API_KEY"]
HEADERS = {"Authorization": f"Bearer {KEY}"}

songs = {
    "piosenka-01": "https://twoj-serwer.pl/audio/piosenka-01.wav",
    "piosenka-02": "https://twoj-serwer.pl/audio/piosenka-02.wav",
}

def run(model, url):
    task = requests.post(f"{API}/generate", headers=HEADERS,
                         timeout=30, json={"model": model,
                         "input": {"audio_url": url}}).json()
    while task["status"] not in ("succeeded", "failed"):
        time.sleep(5)
        task = requests.get(f"{API}/tasks/{task['id']}",
                            headers=HEADERS, timeout=30).json()
    return task

PARY = (("music-extractor", "podklad"),
        ("vocal-remover", "wokal"))

for name, url in songs.items():
    for model, suffix in PARY:
        task = run(model, url)
        if task["status"] == "failed":
            print(name, model, task["error"])
            continue
        out = task["output"][0]["url"]
        ext = out.split("?")[0].rsplit(".", 1)[-1]
        # zapis od razu, bo link wygasa
        with open(f"{name}-{suffix}.{ext}", "wb") as f:
            f.write(requests.get(out, timeout=120).content)
        print(name, suffix, task["cost"])

Przy większej liczbie plików zamiast odpytywania przekaż webhook_url, a gotowe zadanie przyjdzie na twój serwer z podpisem HMAC (dokumentacja webhooków). Adresy w output działają ograniczony czas, dlatego skrypt zapisuje pliki od razu.

Ile zapłacisz

Każda zaczęta minuta pliku liczy się w całości: 2:30 to 3 minuty, a 3:01 to już 4.

Doładowanie zaczyna się od 40 zł, płacisz BLIK-iem albo kartą, a fakturę VAT zaznaczasz przy wpłacie. Środki nie wygasają, abonamentu nie ma, a zadanie zakończone błędem kosztuje 0 zł. Większe serie policzysz w kalkulatorze kosztów.

Lepszy plik, czystszy podkład

Separacja odtwarza to, co było w miksie, i nie odzyska detali zgubionych przy kompresji. Przed wysłaniem:

• Weź najlepsze źródło. WAV albo FLAC z płyty lub od wytwórni zamiast słabego MP3. FLAC podasz przez API linkiem, a w Studio wgrasz MP3 lub WAV.
• Nie kompresuj drugi raz. Każde przekodowanie MP3 dodaje artefakty, które potem w podkładzie "bulgoczą".
• Utnij ciszę i zbędne kawałki. Płacisz za zaczęte minuty, więc kilka sekund ciszy na końcu może kosztować całą minutę.
• Długie nagrania dziel rozsądnie. Koncert czy set DJ-ski wyślesz w całości, ale w kawałkach łatwiej sprawdzić wynik.

Granice narzędzi

Co na dziś nie działa:

• Głos prowadzący i chórki idą razem. Silnik producenta umie je rozdzielić, ale w Kadrarisie tej opcji jeszcze nie ma.
• Brak usuwania pogłosu i wyboru silnika separacji. Zadanie zawsze używa ustawień domyślnych.
• Format wyniku jest domyślny, formularz nie pozwala go zmienić. Jeśli potrzebujesz innego, przekonwertuj plik u siebie.
• Linki do YouTube czy Spotify nie zadziałają. audio_url musi prowadzić prosto do pliku audio.
• Efekty na głosie mogą zostać w podkładzie. Długi pogłos albo echo wokalu bywa wtopione w miks i nie zawsze znika w całości. Przesłuchaj wynik przed publikacją.

Prawa autorskie

Usunięcie wokalu nie zmienia praw do nagrania. Podkład z cudzej piosenki możesz wykorzystać prywatnie, ale publikacja coveru, karaoke na YouTube czy remiksu wymaga zgody właścicieli praw albo licencji platformy, na której publikujesz. Bez kłopotu pracujesz na własnych nagraniach i na utworach wygenerowanych samodzielnie, np. w Mureka V9. Jak taki utwór powstaje, pokazuję w poradniku o piosence w Mureka V9, a zestawienie z Suno jest w tekście alternatywa dla Suno. Podkład bez wokalu przyda się też pod teledysk AI, w którym mówi lektor.

Pytania

Czy Vocal Remover oddzieli chórki od głównego wokalu?

Nie. Oba trafiają na jedną ścieżkę z głosem. Rozdzielenie ich nie jest jeszcze dostępne.

Co wybrać, jeśli chcę zaśpiewać cover na żywo?

Music Extractor. Oddaje całą muzykę bez śpiewu, czyli gotowy podkład. Jeśli chcesz też podejrzeć frazowanie oryginału, puść na tym samym pliku Vocal Remover.

Mam utwór 4:02. Ile minut zostanie policzonych?

Pięć, bo zaczęta piąta minuta liczy się w całości. Przytnięcie dwóch sekund ciszy na końcu zejdzie do czterech minut.

Czy mogę wysłać plik bez wgrywania go na własny serwer?

Tak, w Studio przyciskiem Wgraj plik (MP3 lub WAV do 25 MB). Przez API potrzebny jest publiczny adres pliku w audio_url.