ボーカル分離の品質をどう評価するか：時間合わせ、SI-SDR、聴感チェック

記事は、ボーカル分離の品質を「聴いた印象」だけでなく、数値と耳の両方でどう確かめるかをまとめたものだ。筆者は自分で用意したAI生成の合成音源（18.05秒）を使ってテストを行い、ボーカルと伴奏の2本の出力を参照用のステムと比べた。出力は参照に対して25.06ms遅れていたため、先に時間を合わせてから相互相関とSI-SDRで評価している。結果として、このテスト素材に限れば参照にかなり近く、足し戻した信号も入力に近かったという。ただし筆者は、合成音源には歌手の子音や複数のコーラス、複雑な部屋鳴りがなく、実際の楽曲よりかなり単純だと明記している。冒頭では、自らが開発したツールの開発者であることも開示している。

この記事の一番鋭い指摘は、「足し戻して元に戻ってもステムが正しいとは限らない」という点だ。ある音が間違ったステムに入っていても、2本を足せば入力に戻ってしまう。つまり、再合成の数字が保証するのは「混ぜ直せたか」だけであって、「分けられたか」ではない。デモの見せ方も同じで、歌声が小さくなっていれば成功に見えるが、ドラムのアタックが削れていたり、金属的な響きや空洞感が残っていれば実用にはならない。数字の良さと耳の評価を分けて書いた筆者の姿勢は、製品を扱う側として珍しく正直だと言える。

中小企業が外注や業者のデモで音源処理の話を聞いたときは、その場の再生音で判断しないことだ。自社の実際の素材で同じ確認をしてもらい、歌詞が残っていないか、残響が浮いていないか、楽器が削れていないかの三点を聴くように頼めばよい。その三点に答えられない提案は、どれだけ数字を並べても採用しないほうが安全である。