Cómo quitar la voz de una canción en 2026: guía práctica
Resumen
La separación de stems con IA es la forma más rápida de aislar voces de una mezcla. Tres herramientas dominan el mercado en 2026: LALAL.AI (nube, rápido), Moises (análisis musical incluido) y HTDemucs vía UVR5 (local, sin límites). Pero tienes que saber los riesgos de DMCA si planeas usar los stems en stream.
Como quitar la voz de una cancion: cargas el audio a LALAL.AI, seleccionas 'vocal' como stem de destino, descargas el instrumental limpio en menos de 60 segundos. Sin DAW. Sin línea de comandos. Sin técnica de cancelación de fase. En 2026, la separación de stems con IA es lo que funciona para aislar voces.
Alguien sampleó un track que amas. O necesitas una base limpia para tu set en Twitch y el productor nunca soltó los stems. O estás haciendo un remix y el A&R no te contesta. Aquí está lo que funciona, lo que cuesta, y dónde falla.
Qué hace realmente la separación de stems
La separación de stems no borra la pista vocal. Identifica cómo suena la voz acústicamente, y reconstruye la señal sin ella.
La técnica antigua era cancelación de fase. Si la voz está en el centro estéreo, inviertes un canal y los sumas a mono: el centro se cancela y tiras la mayoría de la voz. Funciona en grabaciones mono de los 70. Falla en cualquier cosa con reverb, stereo widening o sidechain. Es decir, todo lo hecho después de 1985.
La separación basada en IA es diferente. Modelos como Perseus de LALAL.AI y HTDemucs de Meta están entrenados en millones de pistas separadas. Aprenden a aislar características de la voz sin importar la posición estéreo. Perseus ahora maneja separación en 10 stems: voces, leads y backing separados, kick, snare, bajo, guitarra, piano, synth, strings y FX. No solo obtienes un instrumental. Obtienes una multitrack completa a partir de una mezcla terminada.
Resultado realista: limpio al 60-80% en la mayoría de tracks. Producciones pop densas con voces impresas a través de reverb pesado dejan artefactos. El estribillo siempre es más sucio que la estrofa. Eso es física, no un bug.
Las tres herramientas que valen la pena en 2026
No es una lista larga. Tres herramientas cubren el rango completo desde cero setup hasta máxima calidad local.
LALAL.AI es la opción nube más rápida. Cargas WAV o FLAC, seleccionas voces como stem de destino, previsualizas los primeros 30 segundos antes de comprometerte. El plan gratuito te da minutos limitados al mes. Los planes pagos empiezan en $15/mes. El modelo Perseus agregó soporte de 10 stems a principios de 2026. Ya no es solo un removedor de voces.
Moises funciona con calidad de nube similar, pero incluye detección de acordes, análisis de tonalidad y tempo map. A $4/mes (anual) te sale más barato que LALAL.AI. La capa extra de teoría musical importa si realmente estás aprendiendo el track, no solo aislando stems para un sample.
Ultimate Vocal Remover (UVR5) es gratuito, open source, y funciona localmente. El modo ensemble de HTDemucs produce la separación más transparente de cualquier herramienta fuera del nivel empresarial de Audioshake. El trade-off: necesitas una GPU y 10-15 minutos por track. Sin límites de tamaño. Sin suscripción. Sin créditos. Si tienes el hardware y el tiempo, esto es el techo.
iZotope RX 12 Music Rebalance es el estándar de postproducción y cuesta $199-1.199 según el bundle. Si ya lo tienes para work de audio restoration, úsalo. De lo contrario, UVR5 lo iguala o supera sin costo.
Paso a paso con LALAL.AI
Arrastras y sueltas el archivo de audio. Seleccionas "Vocal" como el stem a separar. Golpeas preview: la herramienta procesa los primeros 30 segundos y te deja escuchar el resultado antes de ejecutar el track completo.
Una configuración que cambia significativamente los resultados: el toggle De-Echo. Desactivado por defecto. Actívalo si la voz tiene reverb o delay pesado impreso en la mezcla. En la mayoría de hip-hop, pop y R&B moderno, limpia el tail bleed notablemente.
Exporta como WAV a la sample rate original. No downsamples a MP3 a menos que el destino lo necesite específicamente. Los artefactos de compresión se suman a través del procesamiento.
Tiempo esperado: 1-3 minutos por track en la herramienta nube. Más lento en tier gratuito durante horas pico.
Para UVR5: descarga la aplicación desde GitHub, instala HTDemucs bajo la pestaña de modelos Demucs, selecciona "ensemble mode" (ejecuta múltiples pasadas y promedia las salidas), y configura salida a WAV. El tiempo de procesamiento depende de tu GPU: una RTX 3070 maneja un track de 3 minutos en unos 8 minutos. Solo CPU toma 30-45 minutos.
La parte de copyright que nadie quiere leer
Separaste los stems. Tienes un instrumental. ¿Ahora qué?
Usarlo como background para tu stream en Twitch o Kick: el copyright de la canción original todavía cubre el instrumental. Procesarlo no transfiere derechos. Es la misma posición legal que ripar audio de YouTube. Los labels están persiguiendo activamente distribuciones de stems separados con IA desde 2025, y las plataformas están ejecutando detección de fingerprint de audio en stems procesados, no solo originales sin modificar.
Para uso personal: práctica de karaoke, sesiones de remix privadas, aprender una parte en tu DAW. Riesgo menor. No es cero riesgo, pero prácticamente nadie está cazando proyectos de Ableton privados que nunca salieron de tu disco duro.
Para streaming, publicar, samplear o lanzamiento comercial: necesitas una licencia o necesitas generar algo nuevo. Esto no es un tecnicismo.
La respuesta limpia para instrumentales DMCA-safe en stream: construye desde cero.
Por qué la generación supera la separación para streamers
Si tu caso de uso es "necesito una base de techno para mi stream que no me silencien", quitar voces de un track con copyright es la ruta lenta y riesgosa.
Suno genera tracks completos con modo instrumental explícito en menos de 10 segundos. Los prompts de estilo funcionan a nivel de género: "dark minimal techno 128 BPM, sin voces, synth bass, kick y hand clap, reverb tail largo." Limpio para stream, cero exposición DMCA, y obtienes un track que nadie más está corriendo.
Stable Audio maneja loops mejor que composiciones completas. Dale una duración de destino (8 compases, 16 compases) y un prompt. Exporta y apila múltiples variaciones para un set de DJ en vivo. Funciona a -14 LUFS por defecto, que es donde cae la normalización de loudness de Twitch. No estás peleando con el procesamiento de audio de la plataforma.
El workflow de separación tiene sentido cuando estás trabajando con una producción específica que necesitas referenciar, remixear o analizar. No tiene sentido como tu estrategia principal para construir una librería de música segura para streaming cuando la generación es este de rápida y libre de exposición legal.
Artefactos que vas a pegar y cómo arreglarlos
Instrumental acuoso o "underwater": cambia el modelo de red neuronal. Tanto LALAL.AI como UVR5 ofrecen múltiples opciones. Ejecuta los primeros 30 segundos a través de cada una. El carácter cambia significativamente entre modelos dependiendo del material fuente.
Bleed vocal en el estribillo: esperado cuando voces lead y instrumentación mid-range densa comparten el mismo rango de frecuencia. Activa De-Echo y relanza. Si aún hay bleed, trata la separación como una cama y apila un synth o sample encima para enmascarar el remanente. El groove es más importante que silencio limpio donde estaba la voz.
Mid-baja hueca: común cuando instrumentos de bajo se solapan con el fundamental vocal (usualmente 150-400Hz). No intentes ecualizarlo plano. Eso trae el bleed de vuelta. Ejecuta un compresor multibanda en ese rango después de exportar para restaurar cuerpo sin amplificar los artefactos.
Calidad degradada de archivos comprimidos: inputs de MP3 128kbps obtienen peor separación que WAV. El modelo está trabajando con menos información desde el inicio. Encuentra una fuente de más alta calidad si el output importa. El stream de más alta calidad de Spotify es OGG 320kbps. Aún comprimido. Para cualquier cosa que necesites sonar limpia, encuentra el WAV original o compra desde Bandcamp si está disponible.
Funcionamiento en un workflow de DAW
Una vez tengas el instrumental, tráelo a tu DAW al tempo original. Tanto LALAL.AI como Moises devuelven metadata con el BPM detectado. Usa eso para configurar el tempo del proyecto antes de importar.
En Ableton: arrastra el WAV a una nueva Audio track, haz clic derecho y selecciona "Warp." Usa el algoritmo Complex Pro si el track tiene patrones de batería complejos. Configura el BPM maestro para que coincida con el tempo detectado desde la herramienta de stems.
En FL Studio: clic derecho en el slot del Channel Rack, selecciona "Stretch to tempo." Mismo principio.
El archivo de stem tendrá muestras nulas donde estaba la voz. Son gaps silenciosos, no datos faltantes. Tu DAW las renderizará correctamente. No las llenes a menos que estés construyendo un arreglo que necesite algo ahí.
Para extracción de loops: si solo quieres el drop o solo la estrofa, corta la sección en tu DAW después de importar. Exporta ese loop a la sample rate del proyecto para máxima compatibilidad con otras sesiones.
La prueba real: tíralo a 140 BPM en un set de techno y ve si los artefactos son audibles pasado la compresión del kick. La mayoría de las veces, no lo son.
Qué formato te da la mejor separación
La calidad de input importa más que la elección de herramienta en la mayoría de tracks. Aquí está el orden de mejor a peor material fuente:
WAV/AIFF a sample rate de sesión original (44.1kHz o 48kHz): lo que los modelos de separación entrenan, output más limpio
FLAC: compresión sin pérdida, resultado idéntico a WAV
MP3 320kbps o OGG: degradación menor, usualmente aceptable
MP3 128kbps: notablemente peor, especialmente en secciones polifónicas complejas
Si estás obteniendo de streaming, usa la opción de descarga de más alta calidad que la plataforma ofrece. Tidal ofrece descargas FLAC sin pérdida en el tier HiFi. Bandcamp vende masters WAV directamente de muchos productores independientes.
Una nota más: archivos estéreo funcionan mejor que mono. Si la mezcla tiene cualquier stereo width en el bus vocal, que casi toda mezcla moderna tiene, el modelo de IA usa esa información espacial. El colapso mono daña la calidad de separación en producciones heavy-width.
Intenta quitar voces de una mezcla mono y el output sonará menos limpio que el mismo track en estéreo. Es una diferencia pequeña en algunos tracks y significativa en otros.