> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-fr/audio-et-voix/demucs-separation.md).

# Séparation Demucs

Séparez la musique en stems (voix, batterie, basse, autres) avec Demucs.

{% hint style="success" %}
Tous les exemples peuvent être exécutés sur des serveurs GPU loués via [CLORE.AI Marketplace](https://clore.ai/marketplace).
{% endhint %}

## Location sur CLORE.AI

1. Visitez [CLORE.AI Marketplace](https://clore.ai/marketplace)
2. Filtrer par type de GPU, VRAM et prix
3. Choisir **À la demande** (tarif fixe) ou **Spot** (prix d'enchère)
4. Configurez votre commande :
   * Sélectionnez l'image Docker
   * Définissez les ports (TCP pour SSH, HTTP pour les interfaces web)
   * Ajoutez des variables d'environnement si nécessaire
   * Entrez la commande de démarrage
5. Sélectionnez le paiement : **CLORE**, **BTC**, ou **USDT/USDC**
6. Créez la commande et attendez le déploiement

### Accédez à votre serveur

* Trouvez les détails de connexion dans **Mes commandes**
* Interfaces Web : utilisez l'URL du port HTTP
* SSH : `ssh -p <port> root@<adresse-proxy>`

## Qu'est-ce que Demucs ?

Demucs par Meta AI peut :

* Séparer les voix de la musique
* Extraire la batterie, la basse et les autres instruments
* Traiter tout format audio
* Extraction de stems de haute qualité

## Déploiement rapide

**Image Docker :**

```
pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime
```

**Ports :**

```
22/tcp
7860/http
```

**Commande :**

```bash
pip install demucs gradio && \
python -c "
import gradio as gr
from demucs.pretrained import get_model
from demucs.apply import apply_model
import torch
import torchaudio
import tempfile
import os

model = get_model('htdemucs')
model.cuda()

def separate(audio_path, stem):
    wav, sr = torchaudio.load(audio_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    stems = {'drums': 0, 'bass': 1, 'other': 2, 'vocals': 3}
    output = sources[stems[stem]].cpu()

    with tempfile.NamedTemporaryFile(suffix='.wav', delete=False) as f:
        torchaudio.save(f.name, output, sr)
        return f.name

demo = gr.Interface(
    fn=separate,
    inputs=[gr.Audio(type='filepath'), gr.Dropdown(['vocals', 'drums', 'bass', 'other'])],
    outputs=gr.Audio(),
    title='Demucs Audio Separator'
)
demo.launch(server_name='0.0.0.0', server_port=7860)
"
```

## Accéder à votre service

Après le déploiement, trouvez votre `http_pub` URL dans **Mes commandes**:

1. Aller à la **Mes commandes** page
2. Cliquez sur votre commande
3. Trouvez l' `http_pub` URL (par ex., `abc123.clorecloud.net`)

Utilisez `https://VOTRE_HTTP_PUB_URL` au lieu de `localhost` dans les exemples ci-dessous.

## Installation

```bash
pip install demucs

# ou
pip install -e git+https://github.com/facebookresearch/demucs#egg=demucs
```

## Utilisation en ligne de commande

### Séparation basique

```bash

# Séparer en 4 stems
demucs song.mp3

# Sortie : separated/htdemucs/song/{drums,bass,other,vocals}.wav
```

### Options

```bash
demucs \
    --two-stems vocals \     # Seulement voix + instrumental
    -n htdemucs \            # Nom du modèle
    -d cuda \                # Utiliser le GPU
    -o ./output \            # Répertoire de sortie
    --mp3 \                  # Sortie au format MP3
    song.mp3
```

### Traiter un dossier

```bash
demucs --two-stems vocals -d cuda ./songs/*.mp3
```

## API Python

### Séparation basique

```python
from demucs.pretrained import get_model
from demucs.apply import apply_model
import torchaudio
import torch

# Charger le modèle
model = get_model('htdemucs')
model.cuda()
model.eval()

# Charger l'audio
wav, sr = torchaudio.load("song.mp3")
wav = wav.cuda()

# Séparer
with torch.no_grad():
    sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

# forme de sources : [4, channels, samples]

# 0 : batterie, 1 : basse, 2 : autres, 3 : voix

# Sauvegarder les stems
stems = ['drums', 'bass', 'other', 'vocals']
for i, stem in enumerate(stems):
    torchaudio.save(f"{stem}.wav", sources[i].cpu(), sr)
```

### Obtenir uniquement les voix

```python
def extract_vocals(audio_path):
    wav, sr = torchaudio.load(audio_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    vocals = sources[3].cpu()  # Index 3 = voix
    return vocals, sr

vocals, sr = extract_vocals("song.mp3")
torchaudio.save("vocals.wav", vocals, sr)
```

### Obtenir l'instrumental (sans voix)

```python
def extract_instrumental(audio_path):
    wav, sr = torchaudio.load(audio_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    # Additionner batterie + basse + autres
    instrumental = sources[0] + sources[1] + sources[2]
    return instrumental.cpu(), sr

instrumental, sr = extract_instrumental("song.mp3")
torchaudio.save("instrumental.wav", instrumental, sr)
```

## Variantes de modèle

| Modèle       | Stems | Qualité   | Vitesse |
| ------------ | ----- | --------- | ------- |
| htdemucs     | 4     | Meilleur  | Moyen   |
| htdemucs\_ft | 4     | Best+     | Lent    |
| htdemucs\_6s | 6     | Excellent | Moyen   |
| mdx\_extra   | 4     | Excellent | Rapide  |

### Modèle 6 stems

```python
model = get_model('htdemucs_6s')

# Stems : batterie, basse, autres, voix, guitare, piano
```

### Modèle affiné

```python
model = get_model('htdemucs_ft')

# Qualité supérieure mais plus lent
```

## Traitement par lots

```python
import os
from demucs.pretrained import get_model
from demucs.apply import apply_model
import torchaudio
import torch

model = get_model('htdemucs')
model.cuda()
model.eval()

input_dir = "./songs"
output_dir = "./separated"

for filename in os.listdir(input_dir):
    if filename.endswith(('.mp3', '.wav', '.flac')):
        input_path = os.path.join(input_dir, filename)
        song_output_dir = os.path.join(output_dir, filename.rsplit('.', 1)[0])
        os.makedirs(song_output_dir, exist_ok=True)

        print(f"Traitement : {filename}")

        wav, sr = torchaudio.load(input_path)
        wav = wav.cuda()

        with torch.no_grad():
            sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

        stems = ['drums', 'bass', 'other', 'vocals']
        for i, stem in enumerate(stems):
            torchaudio.save(
                os.path.join(song_output_dir, f"{stem}.wav"),
                sources[i].cpu(),
                sr
            )

        print(f"Enregistré : {song_output_dir}")
```

## Serveur API

```python
from fastapi import FastAPI, UploadFile
from fastapi.responses import FileResponse
from demucs.pretrained import get_model
from demucs.apply import apply_model
import torchaudio
import torch
import tempfile
import os

app = FastAPI()

model = get_model('htdemucs')
model.cuda()
model.eval()

@app.post("/separate")
async def separate(file: UploadFile, stem: str = "vocals"):
    # Sauvegarder le fichier téléversé
    with tempfile.NamedTemporaryFile(delete=False, suffix=".mp3") as tmp:
        content = await file.read()
        tmp.write(content)
        tmp_path = tmp.name

    # Charger et séparer
    wav, sr = torchaudio.load(tmp_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    stems = {'drums': 0, 'bass': 1, 'other': 2, 'vocals': 3}
    output = sources[stems[stem]].cpu()

    # Sauvegarder la sortie
    with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as out:
        torchaudio.save(out.name, output, sr)
        return FileResponse(out.name, media_type="audio/wav")

@app.post("/instrumental")
async def get_instrumental(file: UploadFile):
    with tempfile.NamedTemporaryFile(delete=False, suffix=".mp3") as tmp:
        content = await file.read()
        tmp.write(content)
        tmp_path = tmp.name

    wav, sr = torchaudio.load(tmp_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    # Combiner les stems non vocaux
    instrumental = sources[0] + sources[1] + sources[2]

    with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as out:
        torchaudio.save(out.name, instrumental.cpu(), sr)
        return FileResponse(out.name, media_type="audio/wav")

# Lancer : uvicorn server:app --host 0.0.0.0 --port 8000
```

## Optimisation de la mémoire

### Pour les longs fichiers audio

```python
from demucs.apply import apply_model

# Utiliser le découpage pour les longs fichiers audio
sources = apply_model(
    model,
    wav.unsqueeze(0),
    split=True,         # Diviser en segments
    overlap=0.25,       # Chevauchement entre les segments
    progress=True
)[0]
```

### Pour VRAM limitée

```python

# Utiliser le CPU pour certaines opérations
model.cpu()
wav = wav.cpu()

# Ou utiliser le traitement par segment
sources = apply_model(
    model,
    wav.unsqueeze(0),
    split=True,
    segment=10  # segments de 10 secondes
)[0]
```

## Cas d'utilisation

### Piste karaoké

```python
def create_karaoke(song_path):
    wav, sr = torchaudio.load(song_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    # Tout sauf les voix
    karaoke = sources[0] + sources[1] + sources[2]
    return karaoke.cpu(), sr
```

### Préparation de remix

```python
def extract_all_stems(song_path, output_dir):
    wav, sr = torchaudio.load(song_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    stems = ['drums', 'bass', 'other', 'vocals']
    paths = {}

    for i, stem in enumerate(stems):
        path = os.path.join(output_dir, f"{stem}.wav")
        torchaudio.save(path, sources[i].cpu(), sr)
        paths[stem] = path

    return paths
```

### Extraction d'acapella

```python
def extract_acapella(song_path):
    wav, sr = torchaudio.load(song_path)
    wav = wav.cuda()

    with torch.no_grad():
        sources = apply_model(model, wav.unsqueeze(0), split=True)[0]

    vocals = sources[3]
    return vocals.cpu(), sr
```

## Conseils de qualité

### Pour de meilleurs résultats

* Utilisez une entrée sans perte (WAV, FLAC)
* Fréquence d'échantillonnage plus élevée = meilleure qualité
* Utilisez `htdemucs_ft` pour les travaux critiques

### Post-traitement

```python
from pydub import AudioSegment
from pydub.effects import normalize, high_pass_filter

# Charger la voix séparée
vocals = AudioSegment.from_wav("vocals.wav")

# Supprimer les rumbles graves
vocals = high_pass_filter(vocals, 80)

# Normaliser
vocals = normalize(vocals)

vocals.export("vocals_clean.wav", format="wav")
```

## Performances

| Durée audio       | GPU      | Temps   |
| ----------------- | -------- | ------- |
| chanson de 3 min  | RTX 3090 | \~15s   |
| chanson de 3 min  | RTX 4090 | \~10s   |
| chanson de 3 min  | A100     | \~8s    |
| album d'une heure | RTX 3090 | \~5 min |

## Dépannage

### Mémoire insuffisante

```bash

# Utiliser des segments plus petits
demucs --segment 10 song.mp3
```

### Mauvaise séparation

* Utilisez le modèle htdemucs\_ft
* Vérifiez la qualité de l'entrée
* Évitez les MP3 fortement compressés

### Artefacts

* Augmenter le chevauchement
* Utiliser un modèle de meilleure qualité
* Vérifier la saturation (clipping) dans l'entrée

## Estimation des coûts

Tarifs typiques du marché CLORE.AI (à partir de 2024) :

| GPU       | Tarif horaire | Tarif journalier | Session de 4 heures |
| --------- | ------------- | ---------------- | ------------------- |
| RTX 3060  | \~$0.03       | \~$0.70          | \~$0.12             |
| RTX 3090  | \~$0.06       | \~$1.50          | \~$0.25             |
| RTX 4090  | \~$0.10       | \~$2.30          | \~$0.40             |
| A100 40GB | \~$0.17       | \~$4.00          | \~$0.70             |
| A100 80GB | \~$0.25       | \~$6.00          | \~$1.00             |

*Les prix varient selon le fournisseur et la demande. Vérifiez* [*CLORE.AI Marketplace*](https://clore.ai/marketplace) *pour les tarifs actuels.*

**Économisez de l'argent :**

* Utilisez **Spot** market pour les charges de travail flexibles (souvent 30-50 % moins cher)
* Payer avec **CLORE** jetons
* Comparer les prix entre différents fournisseurs

## Prochaines étapes

* [RVC Voice Clone](/guides/guides_v2-fr/audio-et-voix/rvc-voice-clone.md) - Traiter les voix extraites
* [AudioCraft Music](/guides/guides_v2-fr/audio-et-voix/audiocraft-music.md) - Générer une nouvelle musique
* [Whisper Transcription](/guides/guides_v2-fr/audio-et-voix/whisper-transcription.md) - Transcrire les voix


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-fr/audio-et-voix/demucs-separation.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.