Edición de clip de audio para separar o quitar un par de voces

Quiero separar editar el primer minuto y cuarenta segundos de Pepas (Farruko) para quitar la parte de voz durante varios compases, para que la canten ellos; luego retirar el sintetizador del estribillo durante 4 compases para que lo toquen con la flauta, etc... Ya he transcrito la partitura, pero creo que es mucho más estimulante para ellos tener de fondo el tema pero sin la parte que tocan ellos.

También quiero tener ese clip editado en dos formatos: a tiempo real (negra a 126) y a tiempo lento (80).