StemDeck, Ultimate Vocal Remover(UVR), LALAL.AI, Spleeter는 모두 음악에서 보컬이나 악기 파트를 나눌 수 있지만 같은 종류의 제품은 아닙니다. StemDeck은 연습용 재생 도구까지 갖춘 로컬 앱, UVR은 여러 분리 모델을 고르는 데스크톱 도구, LALAL.AI는 플랜과 앱에 따라 온라인·로컬 작업 경로를 제공하는 상용 서비스, Spleeter는 직접 설치하고 명령줄이나 코드에서 쓰는 개발자용 라이브러리에 가깝습니다.
따라서 “어느 게 제일 잘 분리하나”라는 순위표는 실제 사용 목적을 놓칠 수 있습니다. 먼저 원하는 트랙 수, 컴퓨터 성능, 곡을 외부 서비스에 보내도 되는지, 한 곡을 연습할지 여러 곡을 자동 처리할지 정하세요. 이 글은 각 프로젝트의 공식 설명과 음악 분리 연구를 대조해 선택 기준과 공정한 비교 방법을 정리합니다. 직접 같은 음원으로 네 도구를 시험한 결과는 아닙니다.
네 가지 도구, 역할부터 구분하기
| 도구 | 잘 맞는 상황 | 선택 전 확인할 점 |
|---|---|---|
| StemDeck | 내 컴퓨터에서 최대 6개 파트(보컬·드럼·베이스·기타·피아노·기타 반주)를 분리한 뒤, 재생 속도·키·루프를 바꾸며 연습하고 싶을 때 | Demucs 모델로 로컬 처리합니다. 첫 실행에는 런타임과 모델을 내려받으며, 속도는 컴퓨터와 GPU에 달립니다. 곡 제목·가사 조회와 링크 가져오기는 네트워크를 사용합니다. 공식 문서는 오디오를 업로드하지 않는다고 설명합니다.[1] |
| Ultimate Vocal Remover(UVR) | 한두 번의 분리보다 여러 모델과 설정을 직접 선택해 보며 보컬 제거·반주·악기별 분리를 조절하고 싶을 때 | GUI와 모델 선택 폭이 장점입니다. 모델·플랫폼에 따라 속도와 결과가 다르고, 추가 모델을 따로 내려받아야 할 수 있습니다. 프로젝트 v5.6은 Demucs 및 MDX 계열 모델 호환을 설명하지만, 특정 곡에서 우수한 결과를 보장하지 않습니다.[2] |
| LALAL.AI | 설치 환경이나 GPU 성능에 덜 의존하면서 여러 기기에서 서비스를 이용하고 싶을 때 | 웹 업로드와 서비스 처리 흐름이 있고 구독·분 단위 제한이 있습니다. 공식 요금 안내는 Pro 데스크톱 앱에 로컬 처리도 제공한다고 설명하므로, 온라인과 로컬을 단순히 한 가지 방식으로 묶으면 안 됩니다. 업로드 경로·개인정보 처리·요금제는 사용 전에 각각 확인하세요.[3] |
| Spleeter | 개발자가 Python·명령줄·자동화 작업에 분리를 연결하고 싶을 때 | 완성된 음악 편집 앱이라기보다 사전 학습 모델을 제공하는 라이브러리입니다. 공식 안내는 보컬/반주 2분리, 4분리 등 사용법을 제공하고, Apple M1의 TensorFlow 호환 문제도 경고합니다. 초보자가 앱처럼 바로 쓰는 목적과는 다릅니다.[4] |
논문은 ‘평균 점수 1등’을 믿지 말라고 말합니다
2025년 ISMIR 논문은 MUSDB18 테스트 곡의 청취 평가를 이용해 분리 품질 지표를 사람의 판단과 비교했습니다. SDR 같은 숫자는 유용하지만 보컬·드럼·베이스 등 파트마다 청취 평가와의 관계가 달라, 하나의 점수로 모든 파트와 곡의 체감을 대변하지 못했습니다. 2025년 ISMIR의 다른 연구도 데이터셋 전체의 평균 SDR만 보면 특정 곡·특정 파트에서 어떤 실패가 있었는지 가려질 수 있다고 분석했습니다.[5][6]
모델 연구도 테스트 범위를 함께 봐야 합니다. Hybrid Transformer Demucs 논문은 MUSDB18에서 추가 학습 데이터를 사용했을 때의 점수와 구조를 보고합니다. 그 점수는 해당 데이터와 시험 조건에서의 결과이지, 새로 고른 상용곡이나 모든 장르에서 같은 순위를 보장하지 않습니다. 네 도구의 모델·버전·후처리와 평가 조건이 다르면 서로 다른 벤치마크 수치를 그대로 비교하기도 어렵습니다.[7]
실제 사용에서 이 연구들이 주는 결론은 간단합니다. 곡마다 결과가 달라질 수 있고, 숫자가 좋아도 내가 필요한 파트가 듣기 좋다는 보장은 없습니다. 논문 점수는 후보를 좁히는 참고 자료로 쓰고, 마지막 결정은 목적에 맞는 음원을 같은 조건에서 들어 보고 내리는 편이 낫습니다.
집에서 20분 안에 해볼 수 있는 비교 시험
- 먼저 권리를 확인합니다. 직접 만든 곡, 사용 허가를 받은 파일, 배포자가 시험용으로 제공한 음원을 고릅니다. 온라인 서비스에 올릴 권리가 있는지 불분명한 상업 음원은 업로드하지 마세요. 로컬 처리도 저작권 허가를 대신하지 않습니다.
- 실제 목적을 하나로 좁힙니다. 노래방 반주가 필요한지, 드럼 연습인지, 보컬 하모니를 듣고 싶은지 정합니다. Spleeter 2스템과 StemDeck 6스템을 “같은 기능”처럼 비교하지 말고, 둘 다 제공하는 보컬/반주 결과부터 비교하세요.
- 같은 짧은 구간으로 시작합니다. 보컬이 또렷한 구간과 악기가 겹치는 구간을 각각 30~60초 정도 준비합니다. 네 도구가 지원하는 입력 형식이 같도록 무손실 WAV 등 하나의 원본에서 시험용 파일을 만듭니다.
- 분리된 결과를 같은 음량으로 번갈아 듣습니다. 보컬이 반주로 새는지, 심벌이나 기타가 물결처럼 흔들리는지, 타격음이 흐려지는지, 스테레오 폭이 무너지는지 적습니다. “가장 깨끗하다” 하나로 끝내지 말고 내가 연습하려는 파트의 잔여음과 왜곡을 따로 평가합니다.
- 속도와 사용 흐름도 기록합니다. 설치·모델 다운로드 시간을 분리 처리 시간과 구분하고, PC 사양, 모델 이름, 출력 파트, 서비스 요금과 남은 분량, 로컬/온라인 경로를 함께 남깁니다. 여러 기기에서 계속 쓸지, 한 곡을 반복 연습할지에 따라 더 중요한 기준이 달라집니다.
원본의 독립 스템을 갖고 있지 않다면 객관적인 SDR을 직접 계산해 “정답에 가까운 모델”을 고를 수 없습니다. 결과를 서로 비교해 듣는 사용성 시험과 정답 스템을 이용한 알고리즘 벤치마크는 다른 평가입니다. 분리 결과에 음악 저작권이 새로 생기거나 원곡 이용 허가가 생기는 것도 아닙니다.
목적별로 하나만 먼저 고른다면
- 연습용으로 분리하고 느리게 재생·구간 반복까지 하고 싶다: StemDeck부터 확인하세요. 모델을 내 컴퓨터에서 실행하고 파트를 다루는 연습 화면을 제공합니다.
- 모델을 바꿔 가며 특정 보컬·악기 분리를 조절하고 싶다: UVR을 살펴보세요. 다양한 모델 설정은 유연하지만, 설치·모델 관리와 반복 시험에 시간을 쓸 수 있어야 합니다.
- 설치 없이 여러 기기에서 쓰고, 처리 대기와 구독료를 감수할 수 있다: LALAL.AI의 현재 플랜과 앱별 처리 경로를 확인하세요. 무료·유료 한도는 바뀔 수 있으므로 공식 가격 페이지에서 업로드 크기, 처리 분수, 다운로드 조건을 결제 직전에 확인하세요.
- 프로그램이나 자동화에 묶으려 한다: Spleeter 같은 라이브러리를 검토하되, Python·TensorFlow 호환성, 모델 라이선스, 음원 사용 권리를 함께 확인하세요.
품질 차이가 크지 않다면 내 목적에 맞는 작업 흐름과 데이터 처리 방식이 더 좋은 선택 기준이 됩니다. 반대로 중요한 보컬이나 드럼 파트가 어느 도구에서든 심하게 손상된다면, 다른 곡에서 잘됐다는 후기만 믿지 말고 그 곡의 문제 구간으로 직접 시험해 보세요.
Sources and research
- StemDeck official repository — current features, local processing claim, model, platform options, updates and network dependencies; v0.20.0 release checked on 12 October 2026.
- Ultimate Vocal Remover GUI official repository and releases — v5.6, model families and platform notes.
- LALAL.AI official pricing and plan FAQ — queues, quotas, upload workflow, price and local desktop processing scope. Pricing and plan features can change.
- Hennequin et al., “Spleeter: a fast and efficient music source separation tool with pre-trained models,” Journal of Open Source Software 5(50), 2154 (2020).
- Sarkar et al., “Looking Beyond Averaged Metrics in Music Source Separation,” Proceedings of ISMIR 2025, pp. 839–846 — discusses variation and failure cases hidden by aggregate scores.
- Jaffe & Burgoyne, “Musical Source Separation Bake-Off: Comparing Objective Metrics with Human Perception” (2025) — listener evaluation suggests metrics differ by stem; this is a preprint, not an app-to-app test.
- Rouard, Massa & Défossez, “Hybrid Transformers for Music Source Separation” (2022) — describes HT Demucs and reports results under specified training and benchmark conditions.
Verification boundary: the comparison is based on current public documentation and cited research. No identical-track run across StemDeck, UVR, LALAL.AI and Spleeter is claimed. Online-service privacy and regional pricing should be checked from the official policy and account page before use.