فصل الصوت إلى أربعة مسارات: لماذا يناسب Huge-SCNet هدف MSS

أربعة مسارات ليست اسماً آخر لمسار المصاحبة

يعني الفصل القياسي إلى أربعة مسارات عادةً الغناء والطبول والجهير والآلات الأخرى. يضم الغناء المسار الصوتي، وتمثل الطبول مجموعة الإيقاع، ويضم الجهير خط الباس، بينما تجمع فئة الآلات الأخرى ما تبقى: الغيتار والبيانو والوتريات وآلات السينث والآلات النحاسية والمؤثرات وغيرها. أما مسار المصاحبة المسموع بعد كتم الغناء فهو في الحقيقة مجموع الطبول والجهير والآلات الأخرى.

يأتي هذا الهدف من مجموعات البيانات الرئيسية ومن تقاليد التقييم في فصل المصادر الموسيقية. فقد شكّلت MUSDB18 وMUSDB18-HQ منذ زمن تدريب النماذج وتقييمها حول هذه المسارات الأربعة. وعندما يستخدم المجتمع مصطلح 4-stem، فإنه يقصد عادةً هذا النوع من المخرجات.

يغيّر هذا التمييز اختيار الأداة. فإذا كان الهدف صوتاً غنائياً نظيفاً أو مقطوعة آلية بلا غناء، يكون فاصل الغناء ذي المسارين أكثر مباشرة. أما إذا كان الهدف التدريب على الطبول أو تحليل الجهير أو أخذ العينات أو إعادة المزج أو تنظيف مواد قابلة للتحرير، فالمسارات الأربعة هي الخيار الأكثر فائدة. وليست فئة الآلات الأخرى مسار مصاحبة أضعف، بل هي أصعب سلة آلات في النظام.

أربع مراحل من U-Net إلى SCNet

يحاول فصل المصادر الموسيقية استعادة عدة مصادر من شكل موجي مختلط واحد عبر الزمن والتردد. استطاعت النماذج المبكرة إنتاج نتائج قابلة للاستماع، لكن شوائبها كانت مألوفة: تسرب الغناء، وبقايا الطبول، وجهير موحل، وترددات عالية مطموسة، أو جودة طور ممزقة في التوزيعات الموسيقية الكثيفة.

يوضح هذا التطور لماذا لا يمكن اختزال اختيار النموذج في جودة الغناء. إذ يجب أن يحافظ الفصل إلى أربعة مسارات أيضاً على عوارض الطبول العابرة، والترددات الأساسية والتوافقيات للجهير، وحدود الغناء، والتفاصيل عالية التردد داخل فئة الآلات الأخرى.

كما أن التوقيت محدد بنطاق المصادر: فقد ظهر بحث SCNet علناً في يناير 2024، بينما تنتمي Huge-SCNet-4stems V1.2 إلى سياق checkpoints العلنية اللاحق. ولهذا يستخدم الخط الزمني الفترة 2024-2026 بدلاً من الإيحاء بأن SCNet نفسه لم يظهر إلا بعد 2025.

Mel-Band RoFormer: قوة الغناء وحدود المسارات الأربعة

اقترح فريق Speech, Audio, and Music Intelligence (SAMI) في ByteDance نموذج Mel-Band RoFormer. ومؤلفو البحث هم Ju-Chiang Wang وWei-Tsung Lu وMinz Won، مع إدراج الانتماء المؤسسي في صفحة العنوان باسم SAMI, ByteDance. تلخص بعض صفحات المجتمع هذا المسار باسم ByteDance AI Labs، لكن الصياغة الأدق وفق المصدر هي أسماء مؤلفي البحث وSAMI, ByteDance.

يجذب النموذج الاهتمام لأنه ينظم نطاقات التردد بما يقترب أكثر من السمع البشري. فالأذن أكثر حساسية للترددات المنخفضة والمتوسطة، حيث توجد الترددات الأساسية للغناء والحروف الساكنة والنفَس وكثير من دلائل طبقة الصوت. وتمنح إسقاطات mel-band هذا المجال تمثيلاً أدق، مما يساعد النموذج على تتبع الغناء الرئيسي والأصوات الخلفية والانزلاقات والاهتزازات وذيول الصدى.

تستخدم عائلة RoFormer الترميز الموضعي الدوراني، أو RoPE، في كل من التسلسلات الزمنية وتسلسلات النطاقات الفرعية. وهذا يجعل درجات الانتباه تعتمد على الموضع النسبي. توفر الانزلاقات والنغمات الممتدة والعبارات المتكررة تصوراً بنيوياً مفيداً لهذه الخاصية، لكن البحث يختبر مباشرةً فقط نماذج مضبوطة مع RoPE في مقابل نماذج من دونه؛ ولا يقدم مقاييس منفصلة للانزلاقات أو التناغمات الطويلة.

مسار الإشارة المحدد في البحث

يحوّل BS-RoFormer أولاً الشكل الموجي للمزيج إلى مخطط طيفي مركب. ثم يقدّر إسقاط النطاقات وTransformer الهرمي قناعاً مركباً، ويُطبَّق ذلك القناع على طيف المزيج، ويعيد تحويل STFT العكسي بناء الشكل الموجي المستهدف. يغيّر Mel-RoFormer الإسقاط داخل f_θ: فتحل نطاقات mel المتداخلة محل التقسيم الاستدلالي غير المتداخل. وهو لا يستبدل مسار إعادة البناء بأكمله.

لهذا يُعد Mel-Band RoFormer مساراً قوياً لفصل الغناء عن المصاحبة، وفصل الغناء الرئيسي عن الأصوات الخلفية، واستخراج غناء نظيف. لكن المشكلة أن الفصل إلى أربعة مسارات لا يقتصر على الغناء. فعليه أيضاً فصل الطبول والجهير والآلات الأخرى، وغالباً ما تحتوي الفئة الأخيرة على أصعب التفاصيل الآلية عالية التردد.

ما بعد الأبحاث: كيف أصبح RoFormer منظومة أدوات مفتوحة

ظهر BS-RoFormer في سبتمبر 2023 بنوعين من الأدلة في بحث واحد. فقد وثّق النظام الأكبر L=12، المدرّب على MUSDB18HQ إضافة إلى 500 أغنية داخلية، مشاركة SAMI-ByteDance الفائزة بالمركز الأول في SDX23. وقدمت النماذج الأصغر، المدرّبة على MUSDB18HQ فقط، تجارب استئصال مضبوطة لـ RoPE وتقسيم النطاقات وإعادة البناء بالتداخل والمتوسط. نشر البحث البنية وشروط التدريب وجداول النتائج. ولم يُرفق checkpoint الأصلي لـ SDX23 أو رابطاً إلى مستودع ByteDance/SAMI للتدريب والاستدلال.

تبعه Mel-Band RoFormer في أكتوبر 2023. فقد أبقى على Transformers المزودة بـ RoPE، ونمذجة التسلسلات داخل النطاقات وبينها، والأقنعة المركبة، وإعادة بناء الشكل الموجي، لكنه استبدل التقسيم اليدوي غير المتداخل بـ 60 نطاق mel متداخلاً. والفاصل الزمني البالغ شهراً واحداً مهم: كان هذا تعديلاً علنياً لإسقاط الترددات استجابةً للقيد الذي أشار إليه البحث السابق نفسه، لا حزمة checkpoint رسمية ثانية صدرت مع النص.

تراكمت الشيفرة القابلة للتنفيذ خارج الأبحاث. فقد حوّل مستودع lucidrains الرسوم والمعادلات إلى فئات نماذج PyTorch ودعا الآخرين علناً إلى إعادة إنتاج الفاصل. وجعل دعم الاستيريو ومخرجات المسارات المتعددة ومتغير Mel-Band البنية قابلة لإعادة الاستخدام، لكن الشيفرة وحدها لم تستطع إعادة إنشاء الأغاني الداخلية أو حالة المُحسِّن أو مدة التدريب أو معلمات المسابقة النهائية.

ثم منح Music-Source-Separation-Training تلك البنية القابلة لإعادة الاستخدام ورشة مشتركة: محمّلات مجموعات البيانات، وزيادة البيانات، والتدريب، والتحقق، واستئناف checkpoints، والاستدلال على كتل، والتداخل، وتجميع النماذج. وينسب README إلى lucidrains إعادة إنشاء نماذج RoFormer من الأبحاث، ويقبل إسهامات نماذج المجتمع. وبات من الممكن تدريب بنية واحدة لفصل الغناء عن الموسيقى، أو لأربعة مسارات، أو لمسارات فرعية للطبول، أو لأهداف متخصصة أخرى. ولم توجد مجموعة أوزان مجتمعية معيارية واحدة.

جعل نموذج Kimberley Jensen للغناء هذه العملية ملموسة. يذكر المستودع أنه دُرّب على بيانات أكثر باستخدام شيفرة ZFTurbo، ويستخدم افتراضياً كتلة مدتها ثماني ثوانٍ، ويتيح num_overlap لتقليل شوائب وصل الكتل مقابل استدلال أطول. كما ينسب الفضل إلى المساهمين في مجموعة البيانات. وتفسر هذه التفاصيل لماذا يكون لـ checkpoint القابل للتنزيل طابع لا يستطيع اسم البنية وحده وصفه.

تنسب صفحة MVSep الحالية أول أوزان علنية عالية الجودة إلى Kimberley Jensen، ثم تصف التعديلات اللاحقة والتدريب المستمر للأوزان المفتوحة. وتظهر إصدارات Bas Curtiz وunwa وbecruily وgabox وغيرها في الصفحة نفسها مع مفاضلات مختلفة بين امتلاء الصوت والتسرب والضوضاء وSDR. إنها شجرة متفرعة لأنساب الأوزان: تشترك النماذج في Mel-Band RoFormer، لكنها لا تشترك في البيانات أو الهدف أو تاريخ الضبط الدقيق أو الصوت النهائي.

قد يشير اسم بنية واحد الآن إلى نظام مسابقة، أو نموذج استئصال في بحث، أو checkpoint للغناء، أو checkpoint لأربعة مسارات، أو تجميع نماذج على منصة. ويجب أن تكشف الصياغة الدقيقة ثلاثة أمور: من اقترح البنية، ومن أين جاءت الأوزان الحالية، وأي وصفة استدلال تقدم النتيجة. ومن دون العناصر الثلاثة، تدمج عبارات مثل «نموذج ByteDance الرسمي» أو «نتيجة Mel-Band للمسابقة في أربعة مسارات» بهدوء آثاراً مختلفة من لحظات مختلفة في هذا التاريخ.

مقارنة مضبوطة: لا يحل Mel محل BS في كل مسار

الدليل الأوضح هو المقارنة المضبوطة في بحث Mel-Band لعام 2023، لا خليطاً من صفحات MVSep وcheckpoints مجتمعية غير مترابطة. يستخدم كل صف أدناه MUSDB18HQ من دون أغانٍ إضافية. وداخل كل عمق، يكون التغيير الرئيسي هو الإسقاط: استُبدلت نطاقات BS-RoFormer الاستدلالية غير المتداخلة بـ 60 نطاق mel متداخلاً.

النتيجة مفاضلة وليست تفوقاً شاملاً. عند L=6، يرتفع الغناء من 10.78 إلى 11.21 dB والطبول من 9.61 إلى 9.91 dB، بينما ينخفض الجهير من 11.43 إلى 9.64 dB وتتراجع الآلات الأخرى قليلاً من 7.86 إلى 7.81 dB. وعند L=9، يكسب الغناء 0.58 dB وتكسب الآلات الأخرى 0.13 dB، وتخسر الطبول 0.32 dB، ولا تُذكر نتيجة الجهير لأن التدريب تقدم ببطء شديد.

يربط البحث نتيجة الجهير برسم خرائط التردد. إذ يخصص BS-RoFormer عمداً نطاقات دقيقة للترددات المنخفضة، بينما يكون إسقاط mel أنفع للغناء وبعض الأهداف غير الجهير. ولذلك فالاستنتاج الهندسي المفيد خاص بالمهمة: إسقاط mel خيار قوي للغناء، لكن الدافع النفسي-الصوتي وحده لا يثبت التفوق في أربعة مسارات.

SCNet وهدف المسارات الأربعة

ينظر SCNet إلى الطيف من منظور أكثر تركيزاً على المعلومات. يشمل مؤلفو البحث Weinan Tong وJiaxu Zhu وJun Chen وShiyin Kang وTao Jiang وYang Li وZhiyong Wu وHelen Meng؛ وتدرج صفحة العنوان ضمن جهات الانتماء Shenzhen International Graduate School, Tsinghua University وSkywork AI PTE. LTD. وPeng Cheng Lab وThe Chinese University of Hong Kong. وعلى مستوى البنية، يقسم SCNet المخطط الطيفي للمزيج صراحةً إلى نطاقات فرعية، ويستخدم الضغط المتناثر لمعالجة اختلاف كثافة المعلومات بين تلك النطاقات. وبعبارة أبسط، لا يضع معظم السعة تقريباً في نطاق الغناء. بل يدفع النموذج إلى التركيز على المناطق الزمنية-الترددية التي تحمل فعلاً إشارة آلية مفيدة.

وهذا مهم للمسارات الأربعة. فالجهير يستقر في الترددات المنخفضة لكنه يحمل توافقيات مهمة. وتجمع الطبول بين عوارض عابرة شديدة القصر وصنوج وصوت الغرفة. وقد تضم فئة الآلات الأخرى الغيتار والبيانو والوتريات وآلات السينث والمؤثرات في الوقت نفسه. تمنح نمذجة النطاقات الفرعية مناطق التردد المختلفة معالجة أدق، بينما يبعد الضغط المتناثر الانتباه عن المناطق الفارغة أو منخفضة المعلومات.

يصف بحث SCNet النظام الكامل بأنه مُرمّز صوتي وشبكة فصل قائمة على RNN ثنائي المسار ومُفكّك ترميز صوتي. يحوّل المُرمّز المزيج إلى تمثيلات نطاقات فرعية في مجال التردد، وتنمذج شبكة الفصل البنية عبر الزمن والتردد، ثم يعيد مُفكّك الترميز بناء المسارات المستهدفة.

تنتمي Huge-SCNet-4stems V1.2 إلى هذا المسار. ويحدد عقد مخرجاتها مجموعة متوازنة من ملفات الغناء والطبول والجهير والآلات الأخرى، يمكن إدخالها لاحقاً في إعادة المزج أو النسخ الموسيقي، بدلاً من هدف محسّن للغناء وحده.

من المهم أيضاً فصل بحث SCNet عن checkpoint ‏Huge-SCNet-4stems V1.2. يقدم البحث بنية الضغط المتناثر وتصميم النطاقات الفرعية ونتيجة البحث على MUSDB18-HQ؛ أما الأثر القابل للتنزيل فهو checkpoint ‏Hugging Face العلنية huge_scnet_4stems_v1.2.ckpt. ولا يمكن لـ checkpoint المجتمع أن ترث نتيجة البحث البالغة 9.0 dB على MUSDB18-HQ، لأن البيانات ومصدر الإصدار مختلفان.

يجب إبقاء حدود الشيفرة منفصلة أيضاً. ينشر مؤلفو البحث thuhcsi/SCNet بوصفه مستودع التنفيذ الرسمي، لكن المستودع يذكر أن شيفرة التدريب لم تكتمل بعد، ويوجه القراء إلى HTDemucs وMusic-Source-Separation-Training وSCNet-PyTorch بوصفها أطر تدريب مؤقتة. لذلك ينبغي وصف Huge-SCNet-4stems V1.2 بأنها خيار checkpoint علني لأربعة مسارات على خط SCNet، لا حزمة النموذج الرسمية لبحث SCNet.

MVSep Ensemble كسير عمل على منصة

تمثل MVSep Ensemble 2025.06.30 سير عمل متعدد النماذج على مستوى المنصة. وتسرد صفحة الخوارزمية العامة أكثر من عائلة نماذج واحدة. فقد يستخدم مسار الغناء UVR-MDX-NET وDemucs وMDX23C وVitLarge23 وBS Roformer وMel Roformer وSCNet XL ومسارات أخرى، بينما يمكن للجهير والطبول والآلات الأخرى استدعاء نماذج Demucs مختلفة أو نماذج ذات صلة.

تأتي قوة هذا النوع من التجميع من التخصص: إسناد المواد الغنية بالغناء إلى متخصصي الغناء، والمواد الغنية بالترددات المنخفضة والعوارض العابرة إلى فواصل آلية أقوى، ثم دمج النتائج. ويمكن أن يكون مرجعاً لسقف الجودة، لكنه ليس checkpoint واحدة ولا نموذجاً مستقلاً يستطيع المستخدم إعادة إنتاجه بتنزيل ملف واحد.

تضع MVSep تجميع 2025.06.30 عند متوسط SDR قدره 13.67. وهذا الرقم مفيد بوصفه سقفاً لمنصة مستضافة، لكن لا ينبغي وضعه في الصف نفسه مع checkpoint مستقلة. فهو يعكس سير عمل على الخادم يمكنه دمج مسارات الغناء والموسيقى والجهير والطبول والآلات الأخرى ومسارات إضافية خاصة بآلات معينة قبل إنتاج النتيجة النهائية.

لهذا السبب، يجب أن تبقي مناقشة نموذج واحد قابل للتنزيل لأربعة مسارات تجميعات المنصات خارج فئة النموذج الواحد. وإلا انتقلت المقارنة من بنية النموذج إلى سير العمل المستضاف.

مقارنة علنية لنماذج المسارات الأربعة

يستخدم الجدول أدناه أرقاماً من صفحات النماذج والمعايير العامة المذكورة في المصادر. وتساعد النتائج على تحديد موقع كل نموذج تحت هدف المسارات الأربعة نفسه. ولا ينبغي قراءتها على أنها حكم مطلق لكل أغنية أو نوع موسيقي أو حالة استماع.

نطاق المصادر ضيق عمداً: يأتي صف Huge-SCNet-4stems V1.2 ذي 10.02 dB من مرجع HF / MVSep العلني؛ وتستخدم SCNet XL IHF وBS Roformer وHTDemucs4 صفوف ZFTurbo / MVSep Multisong العامة. وهذا ليس جدولاً يخلط نتائج MUSDB18-HQ من بحث SCNet بصفحات Mel-Band للغناء ونتائج سير العمل المستضاف في MVSep Ensemble.

كيفية قراءة النتائج

يعني ارتفاع SDR عادةً تشوهاً أقل مقارنةً بالمسار المرجعي. لكن متوسط SDR لا يغني عن الاستماع، ولا يمكنه اختزال كل مسار في إجابة واحدة. فقد يكون نموذج قوياً في الجهير والطبول، بينما يحافظ آخر على غناء أنظف. وتبقى فئة الآلات الأخرى صعبة على نحو خاص لأنها تضم آلات كثيرة.

تكمن قيمة Huge-SCNet-4stems V1.2 في وضوح حدود أثرها: اسم checkpoint علني واحد، ومخرجات قياسية لأربعة مسارات، وأرقام مرجعية عامة قابلة للتتبع. وتظل SCNet XL IHF مقارنة مهمة. كما تظل MVSep Ensemble مرجعاً مستضافاً لسقف الجودة. وهي تجيب عن أسئلة مختلفة.

ينبغي أن يبدأ المستخدمون من الهدف. استخدم فصل الغناء للحصول على أنظف صوت غنائي. واستخدم الفصل إلى أربعة مسارات للحصول على غناء وطبول وجهير وآلات أخرى قابلة للتحرير. واستخدم الفصل إلى ستة مسارات عندما يحتاج الغيتار والبيانو إلى ملفين مستقلين.

حدود المخرجات: توازن أربعة مسارات مقابل تفاصيل ستة

يدفع الفصل إلى ستة مسارات فئة الآلات الأخرى إلى مزيد من التقسيم إلى غيتار وبيانو وما يتبقى. وهو أكثر حساسية لعزف أوتار الغيتار وهجمات البيانو ونسيج لوحات المفاتيح والتوافقيات عالية التردد. ولذلك تمثل checkpoint ‏BS Roformer SW ذات المسارات الستة هدفاً وعقد تدريب مختلفين عن Huge-SCNet-4stems V1.2.

تنتمي هذه الادعاءات إلى طبقات منفصلة: يصف RoFormer عائلة بُنى، ويستهدف Mel-Band تمثيل الغناء، ويوازن SCNet أربعة مسارات، وتجمع MVSep Ensembles مكونات مستضافة. ويجيب كل منها عن سؤال مختلف يتعلق بالبنية أو هدف المخرجات أو الإتاحة العامة أو شكل سير العمل أو عقد الاستدلال.

الخلاصة: اختر البنية، لا الكلمة الرائجة

الفصل إلى أربعة مسارات ليس اسماً جديداً لمسار المصاحبة، وليس مكاناً لتطبيق أشهر نموذج غناء على كل آلة. فهو يطلب من النموذج موازنة الغناء والطبول والجهير والآلات الأخرى، ولا سيما عوارض الطبول العابرة، وترددات الجهير المنخفضة، والتوافقيات الآلية العالية، وسلة الآلات المختلطة داخل فئة الآلات الأخرى.

تحتل Huge-SCNet-4stems V1.2 موقعاً واضحاً حول ذلك الهدف القياسي للمسارات الأربعة. ويظل Mel-Band RoFormer مهماً لفهم فصل الغناء، بينما تظل MVSep Ensemble مفيدة بوصفها مرجع جودة مستضافاً. وينتمي كل منها إلى طبقة مختلفة من تاريخ البحث والنشر.