音楽のボーカル・ドラム・ベースを分離したいとき、Pythonで真っ先に候補に挙がるのが Spleeter と HTDemucs です。どちらも無料・オープンソースですが、リリース年・精度・速度・メンテナンス状況がまったく異なります。

この記事では、実際のコードと公開ベンチマークデータを使って両者を比較し、「どちらを選ぶべきか」を明確に答えます。

SpleeterとHTDemucsはどう違う？

結論： HTDemucsは精度・モデルの更新頻度ともにSpleeterを上回ります。Spleeterは2021年以降メンテナンスが止まっており、新規プロジェクトではHTDemucsを選ぶのが現在のベストプラクティスです。

	Spleeter	HTDemucs
開発元	Deezer（2019年）	Meta AI（2023年）
フレームワーク	TensorFlow	PyTorch
対応ステム	2・4・5種類	4種類・6種類（piano/guitar対応）
ボーカルSDR	約6.5 dB	約9〜11 dB
処理速度（RTF）	CPU で約100倍速	CPU/MPS で約14倍速
メンテナンス	停止（2021年）	継続中
インストール	`pip install spleeter`	`pip install demucs`

SDR（Signal-to-Distortion Ratio）はdBが高いほど分離品質が良好です。HTDemucsのスコアはStemSplit公開ベンチマーク（MUSDB18-HQ、50曲）からの中央値です。Spleeterの数値はDeezerの原論文（Hennequin et al., ISMIR 2020）より引用しています。

インストール方法

Spleeter

# Python 3.8 推奨（3.10以降はTF互換問題あり）
pip install spleeter

TensorFlowへの依存が重く、Pythonバージョンに敏感です。Apple Silicon（M1/M2/M3/M4）では動作しないケースが多いため注意してください。

HTDemucs

pip install demucs
# ffmpegも必要
brew install ffmpeg        # macOS
sudo apt install ffmpeg    # Ubuntu/Debian

PyTorchベースのため依存関係がシンプルで、Apple Silicon（MPS）・CUDA・CPUすべてに対応しています。

基本的な使い方（Python）

Spleeter：4ステム分離

from spleeter.separator import Separator

separator = Separator("spleeter:4stems")
separator.separate_to_file("song.mp3", "output/")
# output/song/{vocals,drums,bass,other}.wav が生成される

HTDemucs：4ステム分離

import subprocess

subprocess.run([
    "python", "-m", "demucs",
    "--name", "htdemucs",
    "--out", "output/",
    "song.mp3"
])
# output/htdemucs/song/{vocals,drums,bass,other}.wav が生成される

Pythonからより細かく制御したい場合はAPIを直接使います：

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

model = get_model("htdemucs")
model.eval()

waveform, sr = torchaudio.load("song.mp3")
# モノラルならステレオに変換
if waveform.shape[0] == 1:
    waveform = waveform.repeat(2, 1)

waveform = waveform.unsqueeze(0)  # バッチ次元を追加

with torch.no_grad():
    sources = apply_model(model, waveform)

# sources shape: [1, 4, 2, samples] → [vocals, drums, bass, other]
vocals = sources[0, model.sources.index("vocals")]
torchaudio.save("vocals.wav", vocals, sr)

精度比較：SDRベンチマーク結果

StemSplitが公開した音源分離ベンチマークデータセットに基づく、MUSDB18-HQ（50曲）での結果です：

モデル	ボーカル SDR 中央値	ドラム SDR 中央値	ベース SDR 中央値
Spleeter（論文値）	約6.5 dB	約5.9 dB	約5.1 dB
`htdemucs`	〜9.8 dB	〜9.7 dB	〜9.0 dB
`htdemucs_ft`	〜10.3 dB	〜9.5 dB	〜8.9 dB
`mdx_extra_q`	〜9.4 dB	〜10.8 dB	〜10.9 dB

HTDemucsのhtdemucs_ftはボーカル分離に最適化されたファインチューニング版です。歌ってみた・ボーカル抽出用途ではhtdemucs_ftを選ぶとより良い結果が得られます。

処理速度比較

Apple M4 Pro（24GBメモリ、PyTorch 2.11 MPSバックエンド）での計測値：

モデル	RTF（実時間比）	3分の曲の処理時間
Spleeter 4stems（CPU）	約0.01（100倍速）	約1.8秒
HTDemucs（MPS）	約0.07（14倍速）	約12秒
HTDemucs（CPU）	約0.25（4倍速）	約45秒

SpleeterはCPUでの推論に特化しており、速度面では依然として優位です。ただし、精度の差（SDR約3〜4 dB）はリスニングレベルでも明確に聞き取れます。リアルタイム処理が必須でない用途では、HTDemucsの精度を取る価値があります。

どちらを選ぶべきか？

結論： 特別な理由がない限り、HTDemucsを選んでください。

ユースケース	推奨
歌ってみた・カラオケ音源作成	`htdemucs_ft`（ボーカル特化）
ドラム・ベースの分離	`mdx_extra_q`
ピアノ・ギターを個別に分離したい	`htdemucs_6s`
Spleeterとの互換性維持が必要	Spleeter（移行コストがある場合のみ）
Python環境を用意せずすぐ試したい	StemSplit API（後述）

Spleeterを選ぶ理由が残るのは、既存コードベースとの互換性維持か、極めてCPU速度が重要な組み込みユースケースくらいです。

ローカル環境なしで試す：StemSplit API

GPU環境の構築が難しい場合や、本番環境で手軽に使いたい場合は、同じHTDemucsモデルをHTTP一発で呼び出せるStemSplit のステムスプリッターが便利です。

import requests
import time

API_KEY = "your_api_key"

# 1. ジョブを投入
with open("song.mp3", "rb") as f:
    resp = requests.post(
        "https://stemsplit.io/api/v1/jobs",
        headers={"Authorization": f"Bearer {API_KEY}"},
        files={"file": f},
        data={"stems": "4"},
    )

job_id = resp.json()["id"]

# 2. 完了を待つ
while True:
    status = requests.get(
        f"https://stemsplit.io/api/v1/jobs/{job_id}",
        headers={"Authorization": f"Bearer {API_KEY}"},
    ).json()["status"]
    if status == "completed":
        break
    time.sleep(3)

# 3. ステムをダウンロード
result = requests.get(
    f"https://stemsplit.io/api/v1/jobs/{job_id}",
    headers={"Authorization": f"Bearer {API_KEY}"},
).json()

for stem, url in result["stems"].items():
    audio = requests.get(url).content
    with open(f"{stem}.wav", "wb") as f:
        f.write(audio)
    print(f"保存完了: {stem}.wav")

モデルはStemSplitの品質ティアで選択できます（htdemucs / htdemucs_ft / htdemucs_6s）。APIキーはstemsplit.io/ja/stem-splitterから取得できます。

ボーカル除去だけであればボーカルリムーバーも利用できます。

まとめ

新規プロジェクトはHTDemucs一択 — 精度・メンテナンス・エコシステムすべてで優位
Spleeterは速いが古い — TF依存・2021年以降更新なし・Apple Siliconで動作不安定
SDR差は約3〜4 dB — リスニングレベルで明確に聞こえる差
GPU不要で試すにはStemSplit API — 同じモデルを1回のHTTPコールで利用可能

詳細なベンチマークデータはstem-separation-benchmark-2026（Hugging Face）で公開されています。

関連記事