যেকোনো গানকে কারাওকে ট্র্যাকে পরিণত করুন: আপনার ব্রাউজারে চলা একটি এআই মডেল কণ্ঠ সরিয়ে দেয়, আর বাজনাটুকু থাকে আপনার কাছে। গানের রেওয়াজ, কভার, কিংবা ব্যান্ড আসলে কী বাজাচ্ছে তা কান পেতে শোনার জন্য কাজে লাগে।
যেভাবে কাজ করে
- একটি গান ছাড়ুন: MP3, WAV, M4A, FLAC, কিংবা এমন একটি ভিডিও যার সাউন্ডট্র্যাক আপনি চান।
- কী রাখবেন তা বাছুন। মডেলটি একবারই ডাউনলোড হয় (প্রায় ৯০ MB), তারপর সংরক্ষিত থাকে।
- প্রতিটি অংশ পেজেই শুনে দেখুন, তারপর MP3 বা WAV হিসেবে ডাউনলোড করুন।
সচরাচর জিজ্ঞাসা
- ব্যাকিং ভোকালও কি সরে যাবে?
- সাধারণত, হ্যাঁ: মডেলটি শুধু মূল কণ্ঠ নয়, সব ধরনের গাওয়াকেই আলাদা করে, তাই হারমোনি আর কোরাসও সাধারণত সঙ্গে চলে যায়। কথা বলার স্যাম্পল আর ভারীভাবে প্রসেস করা ভোকাল ইফেক্টেরই রেশ রেখে যাওয়ার সম্ভাবনা সবচেয়ে বেশি।
- আমার ফাইল কি কোথাও আপলোড হয়?
- না। মডেল এবং সমস্ত প্রক্রিয়াকরণ চলে আপনার ব্রাউজারের ভেতরে, আপনার নিজের যন্ত্রেই। আপনি নিজেই যাচাই করতে পারেন: ব্রাউজারের ডেভেলপার টুল (DevTools) খুলুন, Network ট্যাবে চোখ রাখুন আর একটি ফাইল প্রক্রিয়া করুন — কোনো আপলোড হবে না। প্রথমবার আসার পর বেশিরভাগ টুল ইন্টারনেট ছাড়াও পুরোপুরি চলে।
- আলাদা করা অংশগুলো কতটা পরিষ্কার হয়?
- খুবই ভালো, তবে স্টুডিওর মতো নিখুঁত নয়। এই কাজের জন্য Demucs সবচেয়ে শক্তিশালী উন্মুক্ত মডেলগুলোর একটি, আর বেশিরভাগ গানই ভালোভাবে আলাদা হয়ে যায়; তবু অন্য অংশগুলোর হালকা রেশ থেকে যেতে পারে, বিশেষ করে কণ্ঠের রিভার্ব, আর সেই সিম্বাল যেগুলোর ফ্রিকোয়েন্সি কণ্ঠের সঙ্গে মিলে যায়। মডেলটি কেবল মিক্স করা গানটি থেকেই কাজ করে, তাই মিক্সে যা ঢাকা পড়ে গেছে তা ফিরিয়ে আনতে পারে না।
- কতক্ষণ সময় লাগে?
- একটি ল্যাপটপে মেপে দেখা হয়েছে: সমর্থিত GPU থাকলে গানের দৈর্ঘ্যের প্রায় অর্ধেক সময় লাগে (তিন মিনিটের গানে মোটামুটি দেড় মিনিট)। GPU না থাকলে কাজটি প্রসেসরে চলে, গানের দৈর্ঘ্যের প্রায় ১.৮ গুণ সময়ে, অর্থাৎ একই গানে প্রায় পাঁচ মিনিট। শুরু করার আগেই পেজটি জানিয়ে দেয় আপনার যন্ত্রে কোন পথে কাজ হবে।
- এটি কোন মডেল, আর ফলাফল কি আমি ব্যবহার করতে পারি?
- Meta AI Research-এর HTDemucs v4, MIT লাইসেন্সে প্রকাশিত, Meta-র নিজস্ব চেকপয়েন্ট থেকে রপ্তানি করা। লাইসেন্সটি শুধু মডেলের ক্ষেত্রে প্রযোজ্য; গানের মালিক যিনি, গান তাঁরই থাকে, তাই কোনো বাণিজ্যিক গানের স্টেম আপনার নিজের অনুশীলনের জন্য, প্রকাশ করার জন্য নয়।