⚖️
UVR Mel-Band RoFormer vs Demucs — 音源分離モデル比較分析
カラオケ専用2ステム vs 汎用4ステム — アーキテクチャ、学習データ、性能、実践選択基準
主要な違い一覧
| UVR Mel-Band RoFormer Karaoke | Demucs htdemucs | |
|---|---|---|
| 開発 | UVRコミュニティ（aufr33+viperx） | Meta/Facebook AI Research |
| モデルサイズ | 913 MB | ～80 MB |
| 出力ステム | 2個（リードボーカル/カラオケ伴奏） | 4個（ボーカル/ドラム/ベース/ギター） |
| ボーカル定義 | リードボーカルのみ | リード＋バッキング全体 |
| 伴奏にバッキングボーカル | あり（意図的） | なし |
| アーキテクチャ | 純粋周波数ドメインTransformer | 時間＋周波数ハイブリッドTransformer |
| Vocal SDR | 10.20 dB（リードのみ） | ～9.20 dB（全ボーカル） |
アーキテクチャ比較
UVR: 波形→STFT→メルバンド分解（60バンド、50%重複）→時間/周波数Transformer交互×6→マスク推定→ISTFT
Demucs: 波形→時間ドメイン（1D CNN）＋周波数ドメイン（STFT+2D CNN）並列パス→Cross-Domain Transformer→両デコーダー合算
決定的な違い：学習データ
最大の差はアーキテクチャではなく学習データのステム定義。
UVR Karaoke: karaoke = 伴奏＋バッキングボーカル。other = リードボーカルのみ。
Demucs: vocals = 人間の声全体（リード＋バッキング）。
いつどちらを使うか
UVR Karaoke: カラオケ伴奏生成、クリーンなリードボーカル抽出、品質重視。
Demucs: 個別のドラム/ベース/ギターが必要、リミックス、楽器練習、モデルサイズ重要。
両方試す
audio-separator song.mp3 --model_filename mel_band_roformer_karaoke_aufr33_viperx_sdr_10.1956.ckpt
demucs song.mp3
コーラスのある同じ曲で試すと、伴奏の自然さの違いがすぐにわかる。
キーコンセプト
1
UVRは2ステム（リードボーカル/カラオケ）、Demucsは4ステム（ボーカル/ドラム/ベース/ギター）
2
核心的違いは学習データ：UVRの「カラオケ」にはバッキングボーカルが含まれる
3
UVRは913MB（84.2Mパラメータ）、Demucsは～80MB（26.3Mパラメータ）
4
UVRは純粋周波数ドメインTransformer、Demucsは時間＋周波数ハイブリッド
5
カラオケ用はUVR（コーラス維持）、リミックス用はDemucs（パート別操作）
ユースケース
モデル選択ガイド — カラオケアプリvsリミックスツールvs楽器練習アプリ別の最適モデル
音源分離パイプライン設計 — 両モデルのアーキテクチャトレードオフ理解
性能ベンチマーク基準 — SDR、処理速度、VRAM、モデルサイズ比較