Avances en restauración de audio con IA y separación de fuentes

Me resulta curioso que, a pesar del auge de la separación de stems hace cinco años, no parezca haber mucho movimiento en el área de manipulación o mejoras de audio comparado con imagen o video. ¿O estoy desinformado? Hoy, al investigar más a fondo, es claro que lo que pasa es que el «boom visible» fue corto y silencioso, pero por debajo se ha movido bastante.

La separación de stems no solo sigue viva, sino que mejoró con modelos como Demucs, que son muchísimo más precisos que los de hace unos años. Además, herramientas clásicas como Spleeter siguen presentes aunque quedaron atrás en calidad comparado con lo nuevo.

Restauración y reconstrucción de audio

Donde sí hay un salto es en restauración de voz. Herramientas como DeepFilterNet o redes tipo RNNoise permiten tomar grabaciones antiguas, con ruido brutal o compresión telefónica, y reconstruirlas bastante bien. El «truco» moderno no es solo quitar ruido, sino reconstruir lo que falta: restauración de inteligibilidad, reducción de reverberación, reparación de clipping y separación de voz dentro de música densa.

Es perfectamente posible mejorar grabaciones antiguas tipo Gardel; puedes limpiar el fondo, estabilizar frecuencias e incluso «abrir» la imagen estéreo si el material lo permite. Aunque convertir un mono histórico en estéreo HD real es más bien una reinterpretación estadística que no es recuperación fiel de lo nunca grabado.

Herramientas y proyectos en GitHub

Si quieres echarle un vistazo, hay varios proyectos recomendados. Para separación de audio sólido está Demucs, ideal para música compleja. Para limpieza de voz liviana y elegante, prueba RNNoise. Si te interesa la restauración seria, DeepFilterNet es fundamental.

También vale la pena mencionar Whisper, que aunque no es restauración en sí, se usa muchísimo para transcribir audio caótico. Y por si quieres algo práctico de usuario final, Ultimate Vocal Remover te permite jugar con distintos modelos para separar voces e instrumentos.

Lo curioso de todo esto es que el audio avanza sin hacer ruido; no tiene demos tan visuales como un rostro restaurado, pero está bastante vivo y más integrado en herramientas ya existentes. Si quieres ir a lo experimental, hay modelos que «rellenan» huecos del espectro, algo que hace cinco años habría parecido ciencia ficción.