Como Tirar a Voz de um Vídeo do YouTube (Grátis, 2026)

Antigamente, tirar a voz de uma música significava brigar com truques de cancelamento de fase no Audacity que deixavam um resultado oco e com um eco estranho. Em 2026, os modelos de aprendizado profundo fazem isso do jeito certo: eles realmente entendem o que é uma voz e a extraem da mixagem, deixando intactos a bateria, o baixo, as guitarras e os sintetizadores. O resultado são dois arquivos que dá para usar de verdade — uma faixa só com a voz e um instrumental — em vez de um único meio-termo degradado.

Este guia mostra o método gratuito mais rápido: colar uma URL do YouTube direto no nosso removedor de voz do YouTube. Sem conversores de MP3 de terceiros, sem instalar nada — e a primeira música nem precisa de cadastro.

O método em 4 passos (cole um link, baixe as faixas)

1. Copie a URL do YouTube. Abra o vídeo no navegador ou no app do YouTube e copie o link da barra de endereço, ou toque em Compartilhar → Copiar link. Funcionam os links padrão youtube.com/watch?v=…, os links curtos youtu.be/…, o YouTube Music e os Shorts.
2. Abra o AIVoiceSeparator e mude para a aba Colar link do YouTube ou SoundCloud. Você não precisa baixar um MP3 antes: o servidor busca o áudio para você com o yt-dlp.
3. Cole o link e clique em "Separar áudio". A sua tarefa entra na fila e a GPU roda um ensemble de IA de três modelos na faixa inteira. Você vê uma barra de progresso em tempo real; pode deixar a aba aberta ou voltar mais tarde.
4. Ouça e baixe. Quando terminar (uns seis minutos para uma música típica), reproduza as duas faixas no navegador e baixe o vocals.wav isolado e o instrumental.wav. Também dá para escolher MP3 320 kbps ou FLAC sem perdas.

Esse é o fluxo todo. Se preferir enviar um arquivo que você já tem, a mesma página aceita arrastar e soltar o áudio — a opção do link só economiza um passo. Dois hábitos simples melhoram o resultado: escolha a versão da música com melhor qualidade quando houver várias e prefira o lançamento oficial a um vídeo ao vivo gravado com o celular. Quanto mais limpa e forte for a fonte, mais material a IA tem para trabalhar — e mais convincente fica a separação.

Você também não precisa ficar de olho na tarefa. Depois que ela entra na fila, o processamento acontece no servidor, então dá para fechar a aba, trocar de música ou voltar em dez minutos: o resultado fica esperando por você (até a exclusão automática: 24 horas sem login, 7 dias com login). Se for processar várias faixas, lembre que sem cadastro você experimenta 1 música grátis; entrando com o Google (grátis), são 3 músicas por mês.

O que funciona — e os limites que vale a pena conhecer

Expectativas de qualidade: como soa uma boa separação

A separação com IA em 2026 é realmente impressionante, mas não é mágica. Aqui vai um retrato honesto do que você vai receber.

Em uma gravação de estúdio bem mixada — voz principal clara, produção moderna — o instrumental vai soar limpo e cheio, e a faixa de voz sai nítida, com apenas leves artefatos. Esse é o melhor cenário, e é o caso da maioria das músicas. O nosso processo roda um ensemble ponderado de três modelos (BS-Roformer, Mel-Band Roformer e MDX23C InstVoc) medido em 12,97 dB de SDR, claramente mais limpo que as ferramentas antigas de um modelo só. Se quiser entender por que um ensemble supera qualquer modelo individual, confira nossa explicação sobre BS-Roformer vs Demucs.

Onde a coisa fica mais difícil:

• Muito reverb ou delay na voz. A "cauda" de uma voz com reverb se mistura ao instrumental, então pode sobrar um pouco de eco da voz no playback.
• Backing vocals e harmonias em camadas. Harmonias empilhadas ocupam a mesma faixa de frequência da voz principal e podem ir parcialmente junto para a faixa de voz — o que normalmente é bom para o karaokê, mas às vezes não.
• Fontes de baixa fidelidade ou muito comprimidas. Um rip do YouTube abafado e com bitrate baixo dá menos material para a IA. Escolha a versão de melhor qualidade da música sempre que puder.
• Gravações ao vivo. O barulho da plateia e a reverberação do ambiente não são "instrumentos", então acabam divididos de forma imprevisível entre as duas faixas.

Se o seu objetivo é especificamente um playback sem voz, o extrator de instrumental é otimizado exatamente para isso, e o criador de karaokê ainda adiciona a letra sincronizada.

Uma observação rápida sobre a parte legal

Separar uma faixa para uso próprio e privado — cantar, praticar um instrumento, estudar um arranjo ou transcrever a letra — costuma ser considerado uso pessoal razoável na maioria dos lugares. Outra coisa é publicar, distribuir ou comercializar faixas de uma música cujos direitos você não tem. Subir uma acapella extraída para um serviço de streaming, vender um remix ou monetizar um cover pode violar direitos autorais.

Resumindo: você é responsável por ter os direitos sobre o que processar. Não hospedamos nem compartilhamos os seus resultados, e tudo é apagado automaticamente (em 24 horas sem login, em 7 dias com login), mas isso não equivale a uma licença sobre a gravação original. Na dúvida, mantenha o uso no âmbito pessoal ou trabalhe com material que você criou ou licenciou. Confira nossos termos de uso e a política de DMCA para mais detalhes.

Solução de problemas comuns

Bônus: receba também a letra e o tom/andamento

Antes de clicar em separar, você pode ativar "Gerar letra". Rodamos o Whisper na faixa de voz isolada e devolvemos três arquivos: um SRT (para legendas de vídeo), um LRC (para players de karaokê que rolam a letra no tempo certo) e uma transcrição em TXT, em texto puro. Cada tarefa também informa o BPM e o tom detectados — muito útil se você vai remixar, discotecar ou montar um cover em cima do instrumental. Para um guia completo de como transformar uma faixa em música para cantar, leia como fazer karaokê de qualquer música.

Leia também