Mity i realia: program do usuwania wokalu Korel Sound, czyli jak usunąć wokal z utworu?

24.09.2008

Ten temat od dawna pasjonuje bardzo wielu uczestników internetowych grup dyskusyjnych i forów poświęconych obróbce dźwięku. Chodzi o możliwość ingerencji w nagranie piosenki znanego (najczęściej) wykonawcy i albo usunięcie głosu wokalistki/wokalisty (czyli tzw. wycięcie wokalu) albo odwrotnie – przygotowanie wersji a'capella (a więc wyekstrahowanie samego wokalu). Nietrudno się domyślić, że taka ingerencja w treść utworu ma na celu podłożenie własnego śpiewu (weselna fucha, imprezy karaoke itd.) albo wykorzystanie wokalu do stworzenia innego utworu (remiksy itd.).

Czyli tak naprawdę – do kardynalnego naruszenia praw autorskich twórcy, który na pewno nie życzy sobie takiej przeróbki, bo inaczej udostępniłby czysty wokal lub podkład. Nie ma się więc czemu dziwić, że tym bardziej internetowa brać muzyków i realizatorów zirytowana lub znudzona powtarzającym się pytaniem o program do usuwania wokalu odpowiada złośliwymi docinkami lub odsyła do mitycznego Korel Sound, który może wszystko. Odkładając na bok rozważania etyczno/prawne zastanówmy się nad techniczną stroną zagadnienia.

O co chodzi?
Jeśli mamy do dyspozycji tylko gotowe nagranie piosenki (np. z płyty) eliminacja głosu wokalisty wymaga, według mniemań laików, dokonania jakiegoś zabiegu obróbki (takiego jak np. korekcja), który usunie niechciany składnik. W tym sensie, zarówno usunięcie wokalu, jak i ekstrakcja wokalu wydają się być operacjami dualnymi, bo mając wynik jednego, drugie otrzymamy z prostego "odjęcia". W praktyce okazuje się, że nie jest to takie proste. Nie ma tu bowiem mowy o zwykłym odejmowaniu, bo to co wydawca umieścił na płycie nie jest li tylko sumą składników miksu. Dualność zadań usunięcia oraz ekstrakcji wokalu ma znacznie bardziej wyrafinowaną naturę: w obu przypadkach podstawowym problemem jest niezawodne rozróżnienie tego, co w nagraniu jest głosem wokalisty, a co instrumentem akompaniującym.

Czy się da?
Odpowiedź krótka brzmi NIE, choć oczywiście, jak zawsze, są pewne "ale". Nie dajcie się zwieść ogromnej ilość programów do karaoke i producentom obiecującym idealne usunięcie wokali. To po prostu wierutne kłamstwa. Gdyby oceniać skuteczność różnych metod wycinania wokalu po tym, jakie pozostałości miksu słychać w odseparowanym głosie lub podkładzie, lub po brzmieniu rozdzielonych sygnałów, to ta skuteczność oscyluje pomiędzy beznadziejnie złą (metody najprostsze) a średnio-kiepską (najbardziej wyrafinowane techniki).

Co my tu mamy?
Warto zastanowić się, jakie szczególne właściwości posiada wokal wchodzący w skład typowej piosenki, które to właściwości pozwoliłyby oddzielić go od reszty. Niewątpliwie jest to komponent nagrania o cechach typowych dla głosu ludzkiego, czyli pochodzący z drgań strun głosowych, którego widmo jest kształtowane przez charakterystykę traktu wokalnego, a więc obarczone piętnem łatwo rozpoznawalnych formantów (rezonansów na kilku charakterystycznych częstotliwościach).

Wokal nie wychodzi częstotliwością tonu podstawowego poza stosunkowo wąski zakres, jednak jego pełne widmo jest dość szerokie. Co więcej, dźwięki głosu ludzkiego są niezwykle zróżnicowane strukturalnie (występują w nim zarówno fonemy dźwięczne, jak i sybilanty oraz plozje).

Na szczęście na ogół dysponujemy nagraniem przynajmniej stereofonicznym i do różnicowania komponentów miksu możemy wykorzystać zależności międzykanałowe. Źródło głosu zajmuje niewiele miejsca w przestrzeni i najczęściej bywa umieszczane w środku panoramy, jednak na wokal zwykle nakłada się naturalny lub syntetyczny pogłos, w którym odpowiedź pomieszczenia jest jak najbardziej stereofoniczna, a odbite i opóźnione dźwięki docierają ze wszystkich stron. Zatem nawet przy perfekcyjne usuniętych składnikach ze środka panoramy pozostaną poboczne składowe pochodzące z pogłosu.

Słuchając nagrania śpiewu towarzyszącego nawet złożonej aranżacji na ogół bez trudu odróżniamy, co jest głosem ludzkim, a co instrumentem. Nie łudźmy się jednak, że to rozpoznawanie oparte jest na elementarnych cechach fizycznych fali. Zdolność odróżniania głosu ludzkiego to właściwość ludzkiego systemu percepcji wykształcona zarówno w toku ewolucji (konieczność komunikacji w niesprzyjających warunkach), jak i efekt pracy mechanizmu w korze mózgowej służącego do rozpoznawania wzorców, wytrenowanego przez wiele lat rozwoju osobniczego. Czy te mechanizmy da się zastąpić prostymi metodami przetwarzania sygnałów? Oczywiście, że nie, ale ...