YouTubeからカラオケ音源を作る：どんな曲もオフボーカル化

YouTube には「カラオケ版」ボタンがありません。特定の曲を歌いたいとき——公式のインスト版が出ていない曲、カバー曲、近所のカラオケ機種に入っていない外国語の曲——バッキングトラックは自分で作るしかありません。

幸いなことに、今ではこれは 2 ステップで済む作業です。5 分ほど、費用はゼロ。ステップ 1 は曲を音声ファイルとして手に入れること。ステップ 2 はそのファイルを AI モデルに通し、ボーカルとそれ以外を分離することです。

結論から

1. 歌いたい曲の YouTube URL をコピー。
2. OnlyMP3.tools で 320 kbps の MP3 に変換。 ここでのビットレート選択は、普通に聴く場合よりずっと重要です（理由は後述）。
3. その MP3 を AI ボーカル分離ツールにアップロード。 例えば SongToKaraoke は、曲をボーカルと伴奏に分けてくれます。
4. 伴奏側のステムをダウンロード。 これがカラオケ音源です。

流れ自体はこれだけ。以下では、各ステップの理由、きれいに分離できる曲の傾向、うまくいかないときの対処を説明します。

「ボーカルの音量を下げる」では済まない理由

昔のカラオケ音源作成の定番はセンターキャンセルでした。リードボーカルは通常ど真ん中に定位している、つまり左右チャンネルに同じ信号が入っています。片方からもう片方を引き算すれば、完全に中央にあるものは打ち消される——ボーカルも含めて。

一応は機能しますし、だからこそ AI 以前から無料の「ボーカルリムーバー」が存在していました。ただ、致命的な問題が 2 つあります。

• 中央にある他の音も一緒に消える。 キック、スネア、ベースもほぼ確実に中央定位です。歌い手と一緒にリズム隊が丸ごと消えます。
• リバーブだけが残る。 ボーカルのリバーブ成分はステレオなので打ち消されず、歌本体のない残響だけが幽霊のように残ります。かなり不気味です。

現在の AI 分離はまったく別の原理です。Demucs 系のモデルは、個別ステムが入手できる数万曲で学習しているため、「ボーカルがステレオ上のどこにいるか」ではなく「人の声がどう聞こえるか」を学習しています。音響的な特徴からボーカルを抜き出すので、ドラム・ベース・その他楽器はそのまま残ります。

実際の差は歴然です。センターキャンセルはドラムの抜けた薄っぺらい音を返しますが、AI 分離は本物のインストに聞こえるものを返します。

ステップ 1：曲を MP3 で入手する

YouTube の URL を OnlyMP3.tools に貼り、ビットレートを選んでダウンロードします。

320 kbps を選んでください。 普通に聴くだけなら 192 と 320 の差はほとんどの人に聞き分けられませんし、普段は用途に合わせて選べば十分だと案内しています。ただしボーカル分離は例外です。

MP3 圧縮は、エンコーダーが「意識には上らない」と判断した音声情報を捨てることで成立しています。ビットレートが低いほど多く捨てられます——特に高域と、より大きな音にマスクされた小さな音の部分です。そしてそこは、分離モデルが「声」と「ギター」を区別するために使っている領域そのものです。128 kbps のファイルを渡すのは、意図的に捨てられたデータからボーカルを復元しろと要求するようなものです。

アーティファクトは、インスト側の水っぽい・揺らぐような質感として現れ、シンバルやリバーブの減衰部分で最も目立ちます。低画質 JPEG で 5 回保存し直した写真をレタッチすべきでないのと同じ理屈です。

各ビットレートで実際に何が失われるのかは、OnlyMP3 ビットレートガイドにまとめてあります。

もう一点。元動画の品質は超えられない天井です。 低品質音源からアップされた曲なら、320 kbps を指定しても中身の悪い大きなファイルになるだけです。公式アーティストチャンネル、または公式の「Artist - Topic」チャンネルを優先してください。通常はレーベルのマスターから供給されています。

ステップ 2：ボーカルを分離する

MP3 を AI 分離ツールにアップロードします。SongToKaraoke はまさにこの用途向けで、曲をアップロードするとボーカルなしのインストが返ってきて、そのままダウンロードして歌えます。ドラムやベースも個別ファイルで欲しい場合は汎用のステム分離ツールもありますが、カラオケなら 2 分割で十分です。

処理時間は曲の長さによって 30 秒から数分程度。モデルはサーバー側で動くので、端末が非力でも問題ありません。

返ってくるのはインストのステムです。同じ曲、同じテンポ、同じキー、同じアレンジ、リードボーカルだけがない状態です。

きれいに分離できる曲・できない曲

結果はジャンルと制作方法で大きく変わります。満足度を決める最大の要因がここです。

曲のタイプ	一般的な結果	理由
現代ポップ、ヒップホップ、EDM	非常に良い	マルチトラック制作が明瞭、ボーカルが独立、学習データも豊富
ロック、メタル	良い	ボーカルはよく分離する。歪みの強いギターがまれにモデルを惑わせる
アコースティック系シンガーソングライター	良い〜普通	声とアコギの帯域が重なるため多少の被りが出る
管楽器入りのジャズ、ソウル	普通	サックスやトランペットの音域が声と重なる
合唱、オペラ、アカペラ主体	悪い	「楽器」自体が声なので、分離する対象がない
ライブ録音、ブートレグ	悪い	客席ノイズと会場の被りが全ステムを汚染する
1965年以前のモノラル録音	普通〜悪い	すべてが 1 チャンネルに重なり、テープコンプも強い

原則として、元の録音でボーカルが独立しているほど、モデルはうまく取り出せます。 ブースで分けて録ったスタジオポップは見事に分離しますが、マイク 2 本で録った 1958 年のライブジャズは無理です。

「良い結果」の実際のレベル

きれいに分離できても、公式のインスト音源と同じにはなりません。次の点は想定しておいてください。

• 音の厚い箇所でボーカルの残響が残ることがある（特にロングトーン）。
• シンバルがわずかに丸くなる。 高域はボーカルとシンバルが最も重なる帯域なので、モデルが削りすぎることがあります。
• コーラスは残る場合も消える場合もある。 多くのモデルはハモリやダブリングも「ボーカル」として扱い、リードごと除去します。サビが厚いコーラスで成立している曲だと、インストが物足りなく感じられます。

自宅やパーティーで歌う、練習に使うといった用途なら、どれも問題になりません。録音して公開するつもりなら、まず通しで丁寧に聴いてください。

よくある用途

• 家カラオケ：配信サービスがライセンスしていない曲——外国語曲、インディーリリース、アルバム収録曲など。
• ボーカル練習。 ピアノ伴奏譜ではなく、本来のアレンジと原曲テンポで練習できます。
• オーディションやカバー。 原盤から抽出した音源は、MIDI の再現より格段に良い音です。
• 音楽指導。 レッスンでインストを流せば、部屋で鳴っている声は生徒のものだけになります。
• ダンス・振付：カウントを取るのにボーカルが邪魔になる場面。

トラブルシューティング

インストにうっすらボーカルが残る。 たいていは元音源の品質問題です。入手できる中で最良のアップロードから 320 kbps で取り直してください。密度の高いライブミックスやハモリの多い曲なら、それが限界の場合もあります。

インストが薄い、「水中っぽい」音になる。 典型的な低ビットレート入力のアーティファクトです。ダウンロード時のビットレートを確認し、128 や 192 だったなら 320 でやり直してください。

ドラムがボーカルと一緒に消えた。 AI 分離ではなくセンターキャンセルの特徴です。無料の「ボーカルリムーバー」サイトには、いまだに旧来の引き算方式のものがあります。本当のステム分離を行うツールを使ってください。

アップロードが失敗する・タイムアウトする。 非常に長いファイル（DJ セット、公演まるごとの録音、1 時間のミックス）は処理上限を超えることがあります。先に必要な曲だけ切り出してください。

音声ではなく .html がダウンロードされる。 その変換サイトはファイルではなく広告リダイレクトを返しています。危険信号です——変換サイトの見分け方を参照してください。

著作権について

個人練習や自宅カラオケのためにインスト版を作ること自体は、多くの法域で私的使用として扱われるのが一般的です。ただし、そのインストを公開する、販売する、収益化コンテンツの BGM に使う、といった行為は話が別です。ファイルから何を取り除いたかに関係なく、楽曲の著作権と原盤権はどちらも存続しています。

カラオケがリビングで完結するなら問題ありません。収益化チャンネルに載るなら、ライセンスを確認してください。

よくある質問

何かインストールが必要ですか？ 不要です。両ステップともブラウザで完結します。MP3 のダウンロードは OnlyMP3.tools 上で、分離は分離サービスのサーバー上で行われます。

スマホでもできますか？ できます。どちらも Web ベースです。難点は iOS のファイル操作くらいで、MP3 は「ファイル」App のダウンロード内に保存されるので、そこからアップロードします。

カラオケ音源のキーは元のままですか？ はい。分離はピッチもテンポも変更しません。移調が必要なら、インストを得た後の別工程になります。

逆にボーカルだけ取り出せますか？ できます。同じ処理で両方のステムが生成されます。ボーカルのみ（アカペラ）は同じ分割のもう半分で、リミックスや歌唱の分析に便利です。

公式のインスト版より音が悪いのはなぜ？ 公式インストはボーカルトラックを外してミックスした本物のマルチトラックだからです。分離はあくまで推定に基づく再構築です。この数年で差は大きく縮まりましたが、まだゼロではありません。

本当に 320 kbps が必要ですか？ このワークフローでは、普通に聴く場合よりずっと重要です。分離品質の上限は、圧縮後にどれだけ元の音声が残っているかで直接決まります。

まとめ

2 ステップです。きれいな MP3 を手に入れ、そこからボーカルを抜く。ステップ 1 で選ぶビットレートがステップ 2 の上限を決める——これが全体で唯一の直感に反する部分です。普段なら妥協するところでも、今回は 320 kbps で落としてください。

まず OnlyMP3.tools で曲を取得し、SongToKaraoke に通してバッキングトラックを作りましょう。