DER STEM-TEST: WIE SAUBER SIND DIE EINZELSPUREN DEINES KI-SONGS?

Die Stems sind exportiert, alle Spuren laufen gleichzeitig und der Song klingt wieder wie vorher. Damit scheint die Trennung gelungen. Doch dieser Eindruck beantwortet nur eine Frage: Wie gut lässt sich das Ausgangssignal aus den gelieferten Teilen wieder zusammensetzen?

Für einen Remix brauchst du mehr. Die Stimme soll sich anheben lassen, ohne dass andere Instrumente ungewollt mitkommen. Ein Instrumental soll ohne störende Reste der entfernten Stimme funktionieren. Und ein herausgelöster Bass sollte sich bearbeiten lassen, ohne dass du dabei zugleich Teile anderer Instrumente veränderst.

Dieses WILD LAB untersucht deshalb das Prüfverfahren selbst. Wir haben mit bekanntem synthetischem Ausgangsmaterial absichtlich fehlerhafte Teilspuren gebaut, ihre Summe vermessen und anschließend einen gezielten Eingriff vorgenommen. Der Versuch ist eine kontrollierte Demonstration, kein Qualitätstest von Suno, Logic Pro oder einem anderen Separator.

🟨 WAS EIN STEM-EXPORT DIR TATSÄCHLICH LIEFERT

Im Alltag wird der Begriff Stem für unterschiedliche Arten von Audiospuren verwendet. Eine aus einem Produktionsprojekt exportierte Instrumentengruppe und ein nachträglich aus dem fertigen Mix geschätzter Bestandteil haben jedoch eine unterschiedliche Herkunft. Bei der nachträglichen Trennung müssen die gewünschten Quellen aus ihrer Überlagerung gewonnen werden.

Suno beschreibt dafür verschiedene Trennverfahren, darunter das Herauslösen eines bestimmten Instruments oder einer Stimme samt einer ergänzenden Begleitspur. Apple beschreibt in der Logic-Pro-Anleitung ebenfalls die Extraktion von Gesang und Instrumenten aus einer Mischung. Die Ergebnisse werden als einzeln bearbeitbare Audioregionen bereitgestellt.

Der Dateiname allein ist dabei noch kein Qualitätsnachweis. Für die praktische Arbeit zählt, wie vollständig der gewünschte Bestandteil erhalten bleibt und welche unerwünschten Bestandteile in derselben Datei liegen. Genau dafür braucht es mehr als den gemeinsamen Rückmix.

🟨 UNSER AUFBAU: ZWEI BEKANNTE QUELLEN

Das Testmaterial besteht aus einem eigens programmatisch erzeugten Instrumental von 16 Sekunden Länge. Eine Spur enthält die Melodie, die zweite die Begleitung aus Schlagzeug und Bass. Beide Quellen liegen getrennt vor und ergeben zusammen den Originalmix.

Die Dateien wurden als Stereo-WAV mit 48 Kilohertz und 24 Bit angelegt. Aus diesen bekannten Quellen wurden zwei absichtlich vermischte Demonstrationsspuren erzeugt. Dadurch wissen wir genau, welcher Bestandteil an welcher Stelle falsch zugeordnet ist.

Die als Melodie bezeichnete Demonstrationsspur enthält das Melodiesignal mit dem Faktor 0,8 und die Begleitung mit dem Faktor 0,2. In der als Begleitung bezeichneten Spur ist es umgekehrt: Dort liegen 0,2 der Melodie und 0,8 der Begleitung.

Diese Faktoren beziehen sich auf die Signalwerte, nicht auf Prozentangaben zur wahrgenommenen Lautstärke. Die Aufteilung ist bewusst einfach gewählt. Sie bildet weder das Verhalten eines bestimmten KI-Modells ab noch behauptet sie eine typische Fehlerquote heutiger Trennwerkzeuge.

🟨 ERSTER TEST: DER RÜCKMIX BESTEHT

Werden beide Demonstrationsspuren unverändert addiert, ergibt sich rechnerisch wieder die vollständige Mischung. Die Melodie ist mit 0,8 plus 0,2 enthalten, die Begleitung ebenfalls. Ihre Verteilung auf die beiden Dateien ist fehlerhaft, ihre gemeinsame Summe stimmt.

Das wurde auch an den exportierten WAV-Dateien überprüft. Der Effektivpegel der Differenz zwischen Rückmix und Original lag bei ungefähr −139,9 dBFS. Die winzige Abweichung entsteht durch die Rundung beim Speichern der 24-Bit-Dateien.

Ein sogenannter Nulltest bestätigt damit die nahezu identische Summe. Dabei wird eine Fassung von der anderen samplegenau abgezogen. Übrig bleibt das Differenzsignal, das zeigt, wie weit sich beide Fassungen unterscheiden.

Trotz dieses Ergebnisses ist keine der beiden Demonstrationsspuren sauber getrennt. Der Versuch liefert damit ein konkretes Gegenbeispiel zur Annahme, ein praktisch perfekter Rückmix beweise eine korrekte Zuordnung aller Instrumente.

🟨 WARUM DAS AUCH FÜR KI-TRENNUNG RELEVANT IST

In der Forschung zur Quellentrennung wird die Übereinstimmung zwischen der Summe geschätzter Quellen und der Eingangsmischung als Mixture Consistency behandelt. Entsprechende Bedingungen lassen sich ausdrücklich in Verfahren zur Signalrekonstruktion einbauen. Die Arbeit „Differentiable Consistency Constraints for Improved Deep Speech Enhancement“ untersucht solche Ansätze.

Die Übereinstimmung der Summe ist dabei eine sinnvolle Eigenschaft. Unser Beispiel zeigt jedoch, weshalb sie nicht mit der Reinheit jeder einzelnen Quelle gleichgesetzt werden darf. Mehrere unterschiedliche Aufteilungen können zum selben Gesamtsignal führen.

Daraus folgt nicht, dass ein konkretes Produkt die hier verwendete Aufteilung nutzt. Ebenso wenig sagt der Versuch, dass ein schlechter Rückmix egal wäre. Er zeigt lediglich die Grenze dieses einen Prüfmaßstabs.

🟨 ZWEITER TEST: DIE MELODIESPUR WIRD STUMMGESCHALTET

Im nächsten Schritt wird die vermeintliche Melodiespur entfernt. Übrig bleibt die Demonstrationsspur mit der Bezeichnung Begleitung. Sie enthält weiterhin einen Anteil der Melodie, obwohl diese nach dem beabsichtigten Eingriff vollständig verschwunden sein sollte.

Im Versuch liegt dieser verbliebene Melodieanteil 13,98 dB unter der ursprünglichen Melodie. Er ist damit deutlich abgesenkt, aber weiterhin im Signal vorhanden. Die Zahl beschreibt den Pegel desselben Melodiesignals, keine Bewertung seiner Hörbarkeit in jeder Situation.

Übertragen auf die Fragestellung eines Instrumentals ist das der entscheidende Test: Was bleibt zurück, wenn die gewünschte Quelle entfernt wird? Bei einer Gesangstrennung wären beispielsweise Wortreste, gehaltene Töne oder mitwandernde Gesangsanteile zu prüfen. Unser Material enthält allerdings keinen Gesang und erlaubt deshalb keine Aussage über die Qualität einer konkreten Vocal-Trennung.

Für deine Arbeit ist diese Unterscheidung wichtig. Eine Spur kann als leise Unterstützung in einem dichten Arrangement brauchbar sein und als alleinige Begleitung für eine neue Aufnahme trotzdem Probleme bereiten. Der Verwendungszweck bestimmt, wie streng die Prüfung sein muss.

🟨 DRITTER TEST: EIN REGLER VERÄNDERT ZWEI BESTANDTEILE

Nun wird die Demonstrationsspur mit der Bezeichnung Melodie um 6 dB angehoben. Die Begleitspur bleibt unverändert. Das gewünschte Ergebnis wäre eine um 6 dB lautere Melodie bei unveränderter Begleitung.

Weil beide Quellen auf beide Dateien verteilt sind, passiert etwas anderes. Die Melodie erreicht in der Auswertung nur eine Anhebung von rund 5,09 dB. Gleichzeitig wird die Begleitung um ungefähr 1,58 dB lauter, obwohl ihr eigener Regler nicht bewegt wurde.

Der Grund ist unmittelbar nachvollziehbar: Die angehobene Datei enthält auch Begleitung. Dieser unerwünschte Anteil wird mit verstärkt. Zugleich liegt ein Teil der Melodie in der unveränderten Begleitspur und erhält die gewünschte Anhebung nicht.

Die Werte wurden anhand der bekannten Referenzspuren aus dem bearbeiteten Ergebnis bestimmt. Das sind Messwerte unseres konstruierten Beispiels. Sie sind keine Behauptung darüber, wie stark solche Effekte bei einem bestimmten Anbieter ausfallen.

🟨 SO PRÜFST DU DEINE EIGENEN STEMS

Beginne mit einem unveränderten Vergleich. Importiere Original und sämtliche Stems an denselben Startpunkt und lasse zusätzliche Effekte, automatische Normalisierung sowie Zeitdehnung zunächst ausgeschaltet. Achte darauf, dass du entweder das Original oder den Rückmix hörst, nicht versehentlich beides gleichzeitig.

Die exportierten Pegelverhältnisse sollten für diesen Schritt erhalten bleiben. Wenn du jede Teilspur unabhängig normalisierst, veränderst du bereits ihre gemeinsame Mischung. Ein anschließender Unterschied zum Original wäre dann nicht eindeutig auf die Trennung zurückzuführen.

Höre anschließend jede benötigte Spur einzeln ab. Besonders aufschlussreich sind Stellen, an denen das gewünschte Instrument pausiert. Tauchen dort Bestandteile anderer Instrumente auf, kannst du sie leichter erkennen als in einem durchgehend dichten Abschnitt.

Prüfe danach die Gegenrichtung: Schalte die betreffende Spur stumm und höre den Rest. Eine überzeugende Solospur schließt nicht aus, dass Teile derselben Quelle zusätzlich in anderen Dateien liegen. Für ein Instrumental oder das Ersetzen eines Instruments ist genau diese Restmischung entscheidend.

Führe schließlich die Bearbeitung aus, für die du die Stems benötigst. Hebe die Stimme an, entferne den Bass oder ändere die Position eines Instruments. Achte darauf, ob sich zugleich andere Bestandteile verändern, die eigentlich unverändert bleiben sollten.

🟨 WANN EIN NULLTEST HILFT

Ein Nulltest kann nützlich sein, wenn du Original und Rückmix technisch vergleichen möchtest. Dafür müssen Beginn, Länge, Pegel, Kanalzuordnung und Verarbeitung zueinander passen. Eine Spur wird in der Polarität umgekehrt und mit der anderen summiert.

Bleibt ein Rest übrig, beschreibt dieser zunächst einen Unterschied. Er beweist für sich allein noch keinen bestimmten Trennfehler. Auch ein Zeitversatz, eine Pegeländerung oder zusätzliche Verarbeitung kann verhindern, dass sich beide Signale aufheben.

Umgekehrt zeigt unser Versuch, dass eine nahezu vollständige Aufhebung keine sauberen Einzelspuren garantiert. Der Nulltest ist deshalb ein Teil der Prüfung. Solo-Abhören, Stummschalten und der tatsächliche Bearbeitungsschritt beantworten zusätzliche Fragen.

🟨 EIN BRAUCHBARES ERGEBNIS MUSS ZU DEINEM VORHABEN PASSEN

Für eine kleine Korrektur innerhalb des ursprünglichen Arrangements können andere Anforderungen gelten als für eine freistehende Stimme in einem völlig neuen Song. Ein geringer unerwünschter Anteil kann im ersten Fall unauffällig bleiben und im zweiten deutlich hervortreten. Daraus ergibt sich kein allgemeiner Grenzwert für gute Stems.

Auch die Anzahl der angebotenen Dateien ist kein ausreichendes Qualitätsmaß. Viele benannte Spuren sind nur dann hilfreich, wenn die benötigten Bestandteile darin tatsächlich sinnvoll bearbeitbar vorliegen. Für eine konkrete Aufgabe kann eine brauchbare Trennung in zwei Gruppen wertvoller sein als eine feinere Aufteilung mit störenden Zuordnungen.

Dokumentiere deshalb möglichst konkret, was du beurteilst. „Vocal für eine leise Pegelkorrektur geeignet“ ist eine andere Aussage als „Vocal für einen neuen, sparsamen Mix geeignet“. Eine solche Beschreibung hilft bei der Entscheidung mehr als ein pauschales Urteil über den gesamten Dienst.

🟨 WAS UNSER LAB ZEIGT UND WAS OFFENBLEIBT

Der Versuch wurde am 29. Oktober 2026 mit einem synthetischen Instrumental durchgeführt. Die fehlerhafte Aufteilung wurde gezielt berechnet, nicht durch ein KI-Modell erzeugt. Es gab weder eine Hörjury noch einen Vergleich kommerzieller Werkzeuge.

Die Aussage ist entsprechend begrenzt, aber eindeutig: Eine nahezu unveränderte Gesamtsumme kann mit erheblichen Fehlzuordnungen in den Teilspuren vereinbar sein. Diese Zuordnungen werden relevant, sobald du eine Quelle entfernst oder ihren Pegel veränderst. Genau deshalb sollte ein Stem-Test die geplante Weiterverarbeitung einschließen.

Zum Nachvollziehen liegen acht WAV-Dateien bei: der Originalmix, die beiden Referenzquellen, die beiden absichtlich vermischten Spuren, ihr Rückmix sowie der gewünschte und der tatsächlich entstandene Mix nach der Anhebung. Messwerte und Skript dokumentieren den Aufbau. So lässt sich das Beispiel überprüfen und als Ausgangspunkt für eigene Vergleiche nutzen.