Quellentrennung

Open-Unmix HQ teilt eine Stereo-Musikaufnahme in vier unabhängige Stems — Gesang, Drums, Bass und Rest. Vier unabhängige BiLSTM-Modelle (pro Stem eines) erzeugen Magnitudenmasken über dem Mix-STFT; ein optionaler Wiener-Nachfilter versöhnt sie. Läuft via MLX auf Apple Silicon.

Worum es geht

Architektur

Four independent stems, each a copy of the same network:

StageShape / operation
STFT4096-point FFT, 1024-hop, periodic Hann window, reflect-pad. 2049 frequency bins per frame.
Input normalizeCrop to 1487 bins (≈16 kHz), apply learned per-bin mean + scale from training.
EncoderLinear 2974 → 512 + BatchNorm + tanh. Input is 2 channels × 1487 bins.
BiLSTM3 layers, 256 hidden per direction (512 effective). Captures temporal context across frames.
DecoderSkip-concat of encoder and LSTM outputs (1024) → Linear 1024 → 512 + BN + ReLU → Linear 512 → 4098.
Output denorm + maskElement-wise multiply with mixture magnitude; phase from mixture; iSTFT overlap-add.
Wiener (optional)Power-ratio masks across all 4 stem estimates. Refines phase so stems sum to mixture.

Modell

ComponentValue
Parameters / stem8.9M
Parameters total (4 stems)~35.6M
Sample rate44.1 kHz stereo
Chunk latencyOffline (full-track STFT)
Weightsaufklarer/OpenUnmix-HQ-MLX (safetensors, ~136 MB)
Upstreamsigsep/open-unmix-pytorch (Stöter et al., JOSS 2019)

Schnellstart — Swift

import SourceSeparation
import AudioCommon

let separator = try await SourceSeparator.fromPretrained()

let stereo = try AudioFileLoader.loadStereo(
    url: URL(fileURLWithPath: "song.wav"),
    targetSampleRate: 44100
)

let stems = separator.separate(audio: stereo, sampleRate: 44100)
// stems[.vocals], stems[.drums], stems[.bass], stems[.other]
// Each is [[Float]] — left channel, right channel.

try WAVWriter.writeStereo(
    left: stems[.vocals]![0],
    right: stems[.vocals]![1],
    sampleRate: 44100,
    to: URL(fileURLWithPath: "vocals.wav")
)

Pass wiener: true (default) for best quality. Pass targets: [.vocals] to extract only a subset of stems and skip the other models.

CLI

speech separate song.wav                              # all 4 stems into song_stems/
speech separate song.wav --stems vocals               # vocals only
speech separate song.wav --stems vocals,drums         # subset
speech separate song.wav --output-dir /tmp/stems/     # custom output dir
speech separate song.wav --verbose                    # show timing

Wann verwenden

Open-Unmix passt, wenn…

…du einen leichtgewichtigen, Offline-Quellentrennungs-Pass in einer App oder Pipeline auf Apple Silicon brauchst. 8,9 Mio. Parameter pro Stem halten Download und Speicher moderat. Magnitudenmaskierung plus Wiener liefert gute Stems auf den meisten Pop-/Rock-Aufnahmen. Für Studio-Gesangsisolation auf SOTA-Niveau ist ein größeres Demucs-/MDX-Net-Modell die bessere Wahl; dieses Paket zielt auf die praktikable, App-ready Ecke des Spektrums.