StemDeck — це open-source застосунок під ліцензією Apache-2.0, який розкладає будь-яку пісню на шість окремих аудіодоріжок: вокал, барабани, бас, гітару, піаніно та решту миксу — і робить це повністю на локальному комп'ютері, без відправки жодного байта у хмару. Проєкт з'явився на GitHub у травні 2026 року, і за чотири місяці встиг зібрати 3,2 тисячі зірок і 263 форки — цифри, які для нішевого аудіоінструменту виглядають майже вибуховими.

Чому саме зараз розділення стемів раптом стало темою, яку обговорюють на Hacker News, а не залишається вузькоспеціалізованою забавкою для реміксерів? Ще п'ять років тому якісне відділення вокалу від інструменталу вимагало або дорогої студійної обробки в iZotope RX, або підписки на хмарний сервіс, який рахує вартість за хвилину аудіо і забирає ваш файл на чужий сервер. StemDeck обіцяє те саме за вартістю електрики для вашого ноутбука.

Але це не проривна модель — і в цьому вся суть історії. StemDeck не тренував власну нейромережу. Він взяв уже наявні відкриті ваги — Demucs від Meta AI та MDX-Net з проєкту Ultimate Vocal Remover — і загорнув їх у зручний інтерфейс з мікшером, аналізом темпу і прямим імпортом з YouTube. Це та сама історія, яку AiiN вже описував на прикладі whisper.cpp і Ollama: цінність усе частіше створюється не на рівні ваг моделі, а на рівні того, наскільки зручно ці ваги дійшли до людини за клавіатурою.

Питання, яке варто поставити практикуючому білдеру: якщо ядро технології — це чужа відкрита модель дворічної давнини, то що саме тут захищає StemDeck від того, щоб через півроку його обійшов ще десяток форків з тим самим Demucs всередині? Відповідь лежить у деталях архітектури, ринку і ризиків — розберемо по черзі.

Звідки взялося розділення звуку на стеми?

Задача, яку вирішує StemDeck, у сигнальній обробці називається blind source separation — розділення суміші звукових джерел без доступу до оригінальних доріжок, той самий «ефект коктейльної вечірки», яким людський мозок займається природно, а комп'ютер довгий час не вмів узагалі. До появи глибокого навчання інженери покладалися на спектральне маскування та алгоритми на кшталт NMF (non-negative matrix factorization), які давали результат, придатний хіба для караоке-машин у барі — з помітними артефактами і «плаваючим» звуком.

Перелом стався 2019 року, коли Deezer випустив Spleeter — відкриту модель на архітектурі U-Net, яка розділяла трек на 2, 4 або 5 стемів за секунди на звичайному CPU. Spleeter вперше зробив стем-розділення справді масовим і безкоштовним, але ціною якості: бас і «other»-стем часто тягнули за собою залишки одне одного, а сам проєкт фактично перестав розвиватися після 2022 року.

Паралельно дослідницька команда Meta AI (тоді ще Facebook AI Research) розвивала лінійку Demucs — спочатку хвильову модель у стилі Wave-U-Net, потім гібридну архітектуру, яка перемогла на Sony Music Demixing Challenge. Четверта версія, htdemucs (2022), об'єднала часовий і частотний підходи через трансформер у «вузькому місці» мережі і стала новим відкритим орієнтиром якості. Саме на її 6-стемовому варіанті, htdemucs_6s, і побудований StemDeck.

Тобто StemDeck — це не нова наукова робота, а третя хвиля того самого процесу: спочатку дослідники публікують ваги, потім ентузіасти пакують їх у CLI-інструменти для гіків (Ultimate Vocal Remover), а потім хтось нарешті робить з цього продукт зі зрозумілим інтерфейсом для музиканта, який не хоче розбиратися у Python-залежностях.

Як це працює під капотом?

В основі StemDeck — модель htdemucs_6s: гібридна transformer-архітектура, яка обробляє аудіо одночасно у двох представленнях. Одна гілка мережі — це U-Net-подібний енкодер-декодер, що працює безпосередньо з хвильовою формою сигналу і добре відтворює тонку часову деталізацію (атаки барабанів, transients). Друга гілка працює зі спектрограмою і краще вловлює гармонічну структуру — саме те, що потрібно для розділення інструментів зі схожим тембром. Обидві гілки з'єднані трансформером у «вузькому місці» мережі, який дозволяє моделі обмінюватися інформацією між часовим і частотним поглядом на той самий звук.

Базова модель Demucs тренувалася на датасеті MUSDB18-HQ (150 треків з розділеними вокалом/барабанами/басом/іншим) плюс додаткові ліцензовані дані від лейблів. 6-стемовий варіант — це подальше донавчання, яке додає окремі «голови» для гітари і піаніно поверх базових чотирьох стемів. Тут є важливий трейдофф, про який варто знати кожному, хто розглядає інструмент для серйозної роботи: даних з ізольованими доріжками гітари і піаніно у природі значно менше, ніж вокальних і ударних, тому якість розділення саме цих двох стемів помітно нижча за основні чотири.

Сам пайплайн StemDeck складається з кількох кроків: FFmpeg декодує вхідний файл (підтримуються MP3, WAV, FLAC, OGG/Opus, MP4, M4A, а також пряме посилання на YouTube через yt-dlp), аудіо ресемплюється і подається у Demucs шматками з перекриттям (overlap-add) — саме тому за замовчуванням є ліміт у 1200 секунд (20 хвилин) на файл, щоб обробка вкладалася у розумний обсяг пам'яті. Далі, за бажанням користувача, вокальний стем додатково прогонюється через модель UVR-MDX-NET Karaoke 2 з бібліотеки audio-separator — це той самий ансамблевий трюк, який давно використовують у спільноті Ultimate Vocal Remover: спектрограмне маскування MDX-Net прибирає залишки бек-вокалу і гармоній, які чистий Demucs зазвичай залишає. Наостанок librosa визначає темп і тональність для зручності музикантів, а pyloudnorm нормалізує гучність за стандартом ITU-R BS.1770, щоб експортовані стеми звучали рівно в мікшері.

Обчислення виконуються на тому бекенді, який знайдеться на машині користувача: CUDA на Windows/Linux з відеокартою NVIDIA, Metal Performance Shaders на Apple Silicon, або процесор як резервний варіант. Показово, що сам дистрибутив легкий — близько 500 МБ на Python-рантайм при першому запуску і лише 170 МБ на кешовані ваги моделі, — а це означає, що StemDeck технічно є JavaScript-обгорткою (репозиторій позначений на GitHub як JavaScript-проєкт) навколо Python-сервера інференсу. Той самий патерн пакування, який використовують Ollama чи LM Studio для локальних LLM.

Чим StemDeck відрізняється від Spleeter, LALAL.ai чи Ultimate Vocal Remover?

На ринку розділення стемів уже є щонайменше п'ять типів гравців, і StemDeck свідомо сідає в порожню клітинку між ними.

StemDeck не намагається побити жоден з цих інструментів за чистою якістю моделі — вона та сама, що і в UVR. Його диференціація — упаковка: DAW-подібний мікшер, аналіз темпу й тональності, готовий Docker/Unraid-образ для домашнього медіа-сервера і ліцензія Apache-2.0, яка дозволяє форкати проєкт майже без обмежень. Фактично StemDeck переносить розділення стемів у ту саму нішу самостійно розміщуваних сервісів, де вже живуть Jellyfin, Navidrome чи Immich, а не в нішу DAW-плагінів чи SaaS. За даними HackerNews, саме ця рамка «домашнього медіа-сервера» викликала найбільший відгук у спільноті — люди обговорювали не якість розділення, а те, як зручно поставити інструмент поруч із рештою свого self-hosted стеку.

Що це дає тим, хто будує на цьому зараз?

Для практикуючих білдерів і музикантів тут відкривається щонайменше три конкретні сценарії використання.

Педагоги й кавер-музиканти

Викладач гітари чи басист кавер-гурту отримує змогу за хвилину витягнути ізольовану партію будь-якого треку для розбору соло чи побудови бек-треку для репетиції — без покупки офіційного караоке-мінусу і без ліцензійних питань щодо перерозподілу такого файлу, бо обробка й результат лишаються локальними.

Реміксери та DJ

Витягнута акапела чи чистий інструментал — сировина для мешапів і живого мікшування в дусі Serato Stems, тільки без щомісячної підписки на пропрієтарний сервіс і без обмеження бібліотеки треків, які можна обробити.

Розробники продуктів

Ліцензія Apache-2.0 і локальний Python-бекенд означають, що стартап, який будує, наприклад, застосунок для розбору гітарних табулатур або платформу для дистанційного навчання музиці, може форкнути StemDeck і вбудувати розділення стемів у власний продукт без per-minute оплати хмарного API і без пересилання чужого захищеного авторським правом контенту на сторонній сервер — аргумент, який для роботи з музичними лейблами часто важливіший за саму якість моделі.

Ще один менш очевидний кейс — генерація тренувальних даних: локальний і безкоштовний доступ до якісної SOTA-моделі-вчителя дозволяє дослідницьким командам дешево нарощувати власні multi-stem датасети для наступного покоління моделей розділення, не витрачаючи бюджет на хмарний інференс.

Чого тут не вистачає і що може піти не так?

Найбільше обмеження — це якість розділення сама по собі, і воно не специфічне для StemDeck, а притаманне всій нинішній технології. На бенчмарку MUSDB18 навіть найкращі відкриті моделі на кшталт htdemucs дають приблизно 9 дБ SDR для вокалу — цифра пристойна, але помітна на слух як легке «водянисте» забарвлення чи проникнення бас-барабана в басову доріжку. Для гітари й піаніно, як уже згадувалося, якість ще нижча через дефіцит тренувальних даних із чисто ізольованими доріжками цих інструментів.

Друге питання — юридичне. Технологія, яка за секунди виробляє чисту акапелу будь-якого треку, автоматично оживляє дискусію 2019 року, коли Spleeter спричинив хвилю неліцензованих акапел і інструменталів на YouTube. Сам факт локальної обробки не змінює статусу авторського права на результат: витягнутий стем комерційного треку лишається похідним твором, і його публічне поширення без дозволу правовласника — це той самий юридичний ризик, що й раніше, лейбли просто отримали ще один зручний інструмент для його створення.

Третє — безпека для тих, хто розгортає StemDeck на Unraid чи будь-якому домашньому сервері, доступному з інтернету. У документації проєкту немає згадки про вбудовану автентифікацію, а сам застосунок молодий — репозиторію лише кілька місяців, і, за даними GitHub, відкрито лише три issue. Відкритий назовні інстанс без проксі з автентифікацією — це потенційний вектор для зловживання чужими обчислювальними ресурсами (хтось завантажує довгі файли й забиває GPU/CPU власника сервера), а не критична вразливість, але типова помилка конфігурації для нового self-hosted проєкту.

Нарешті, варто тверезо дивитися на стійкість самого проєкту. Розробники StemDeck прямо заявляють, що не приймають фінансування, — це підкреслює незалежність, але й піднімає те саме питання, яке колись поховало активний розвиток Spleeter: без стабільного джерела ресурсів ентузіазм команди має властивість вичерпуватися швидше за потреби спільноти в оновленнях під нові версії Demucs чи нові архітектури.

Висновок AiiN

StemDeck — хороший приклад того, як у 2026 році створюється цінність в open-source AI: не через нову архітектуру, а через грамотну збірку вже існуючих відкритих ваг у продукт, яким приємно користуватися. Це та сама логіка, за якою Ollama обійшов десятки альтернативних раннерів для LLM, не написавши жодної нової моделі.

Наш прогноз на найближчі 6–12 місяців: StemDeck або встигне обрости екосистемою плагінів і потрапить у типові self-hosted стеки поруч з Jellyfin та Immich, зайнявши нішу «домашнього сервера для музикантів», або його наздожене форк з платною хмарною версією для файлів довших за 20-хвилинний ліміт — типова еволюція open-core, яку ми вже бачили на десятках подібних проєктів. У будь-якому разі варто стежити за тим, чи з'явиться в проєкті хоча б базова автентифікація для мережевого розгортання: без неї масове використання на Unraid і подібних платформах — питання часу до першого публічного інциденту зі зловживанням ресурсами.

Для тих, хто будує продукти на музичному аудіо просто зараз, головний практичний висновок такий: локальне розділення стемів дозріло настільки, що платити за хмарний API варто лише за швидкість і масштаб, а не за якість — якість SOTA вже безкоштовна і працює на звичайному ноутбуці.