মডেল
Demucs v3 স্যাক্সোফোন মডেল: 14.22 dB এবং সংকীর্ণ ব্যান্ড A/B
যন্ত্র বিচ্ছেদ/প্রযুক্তিগত নোট
যন্ত্র বিচ্ছেদ/প্রযুক্তিগত নোট
বাদ্যযন্ত্র পৃথকীকরণ / কারিগরি নোট
স্যাক্সোফোন কোনো স্থির ফ্রিকোয়েন্সি ব্যান্ড নয়। মৌল কম্পাঙ্ক, রিডের শব্দ, হারমনিক এবং কক্ষের রিভার্ব টেল কণ্ঠ, ব্রাস ও ডিস্টরশন-যুক্ত গিটারের সঙ্গে ওভারল্যাপ করে। এই checkpoint-এর মূল্য হাতে লেখা ব্যান্ড-পাস ফিল্টার থেকে নয়, এর প্রশিক্ষণ ডেটার বণ্টন থেকে আসে।
সমীকরণ x=s_sax+s_back-এর ক্ষেত্রে একটি এনকোডার সময়গত হার কমায়, সিকোয়েন্স বটলনেক দূরবর্তী প্রসঙ্গ আদানপ্রদান করে এবং ডিকোডার দুটি অনুমানকে আপস্যাম্পল করে। প্রশিক্ষণের একটি সংক্ষিপ্ত লক্ষ্য হলো:
L = ||ŝ_sax-s_sax||₁ + ||ŝ_back-s_back||₁ + λ||ŝ_sax+ŝ_back-x||₁
সামঞ্জস্য পদটি মিশ্রণের শক্তি হারিয়ে যাওয়া নিরুৎসাহিত করে। উচ্চ রেজিস্টার, দীর্ঘ রিভার্ব এবং প্রধান কণ্ঠের সঙ্গে মিলে যাওয়া দীর্ঘস্থায়ী নোটে এখনও শব্দ লিক হতে পারে—মডেল প্রতিবেদনেও এই সীমাবদ্ধতাগুলো স্বীকার করা হয়েছে।
প্রকাশিত ফলটি একটি সংকীর্ণ জ্যাজ-স্যাক্সোফোন সেটে প্রায় 14.22 dB SDR, যেখানে উল্লেখ করা বাণিজ্যিক Wind বেসলাইন প্রায় 14.03 dB। ছোট ব্যবধান ও পরস্পর-ওভারল্যাপ করা তারতম্য একই টেবিলের মধ্যে সীমিত তুলনাকে সমর্থন করে, সব ঘরানা ও রেজিস্টারে সার্বজনীন SOTA তকমাকে নয়।
কাজটি Charlie Parker Omnibook পুনর্গঠনে সহায়তা করে: FiloSax দিয়ে ট্রান্সক্রিপশনের আগে ঐতিহাসিক রেকর্ডিং পৃথক করা হয়। উচ্চ রেজিস্টার, ব্রাসের একস্বর, ভারী রিভার্ব এবং ডিস্টরশন-যুক্ত গিটার এখনও কঠিন; তাই শব্দ লিককে পরবর্তী ধাপের বাদ পড়া নোট ও সুরারম্ভের ত্রুটির সঙ্গে মিলিয়ে দেখতে হবে।
স্যাক্সোফোন-বিশেষজ্ঞ মডেলটি Demucs v3-এর তরঙ্গরূপ এনকোডার, সিকোয়েন্স বটলনেক ও ডিকোডার অক্ষুণ্ণ রাখে, কিন্তু এর উন্নতি আসে আরও সংকীর্ণ উৎস থেকে: FiloSax ডেটা এবং স্যাক্সোফোন-নির্দিষ্ট লক্ষ্য মডেলের সক্ষমতাকে রিডের শব্দ, হারমনিক, স্লাইড ও সঙ্গতের সঙ্গে ওভারল্যাপে কেন্দ্রীভূত করে। Checkpoint ফাইলের নামে 14.22 dB SDR লেখা আছে এবং model card-এ উচ্চ রেজিস্টারকে দুর্বলতা হিসেবে চিহ্নিত করা হয়েছে।
গবেষণাপত্রটি পৃথকীকরণকে Charlie Parker ও Omnibook গবেষণাধারার মধ্যে রেখেছে: ঐতিহাসিক জ্যাজ রেকর্ডিং থেকে স্যাক্সোফোন আলাদা করে তারপর FiloSax দিয়ে ট্রান্সক্রিপশন করা। পৃথকীকরণ একটি পূর্ববর্তী ধাপ। LALAL.AI Wind-এর 14.03 dB ফল একই টেবিলে রয়েছে; ছোট ব্যবধানটি তুলনা সমর্থন করে, কিন্তু সর্বব্যাপী বিজয়ের দাবি নয়।
[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)Eতরঙ্গরূপ এনকোডারBদ্বিমুখী সিকোয়েন্স বটলনেকDলক্ষ্য stem ডিকোডারএনকোডার তরঙ্গরূপ সংকুচিত করে, একটি সিকোয়েন্স বটলনেক দীর্ঘ প্রসঙ্গ আদানপ্রদান করে এবং দুটি ডিকোডার পথ স্যাক্সোফোন ও সঙ্গত পুনর্গঠন করে। বিশেষায়িত ডেটা সক্ষমতাকে রিডের শব্দ, স্লাইড এবং জ্যাজ সঙ্গতের সঙ্গে ওভারল্যাপে কেন্দ্রীভূত করে।
14.22 ও 14.03 dB-এর সারি দুটির জন্য গবেষণাপত্রের একই সংকীর্ণ পরীক্ষা সেট ব্যবহৃত হয়েছে এবং পার্থক্য মাত্র 0.19 dB। উচ্চ রেজিস্টার, ব্রাসের একস্বর ও ডিস্টরশন-যুক্ত গিটারে এখনও ক্যাটালগভিত্তিক A/B পরীক্ষা দরকার।
গবেষণাপত্র, কোড ও ওজন Demucs v3 স্যাক্সোফোন ওজন / স্যাক্সোফোন পৃথকীকরণ প্রতিবেদন / Demucs সোর্স থেকে অনুসরণ করা যায়।
প্রতিটি সারি নিজস্ব উৎস স্থাপত্য, মেট্রিক বা কাজের সংজ্ঞা অক্ষুণ্ণ রাখে; অভিন্ন প্রোটোকলহীন ফলগুলো আলাদা রাখা হয়।
| মডেল | স্থাপত্য বা প্রমাণ | পরিসর |
|---|---|---|
| Demucs v3 + FiloSax | 14.22 dB SDR | গবেষণাপত্রের টেবিলে বিশেষজ্ঞ মডেলের সারি |
| LALAL.AI Wind | 14.03 dB SDR | একই টেবিলের বাণিজ্যিক বেসলাইন |
| Mega53 saxophone | টেবিলে মিলে যাওয়া কোনো মান নেই | কেবল একই ট্র্যাকে শুনে তুলনা |
উচ্চ নোট, ভারী রিভার্ব, ব্রাসের একস্বর এবং ডিস্টরশন-যুক্ত গিটার শব্দ লিকের সাধারণ উদাহরণ। SDR-এর পাশাপাশি নরম হয়ে যাওয়া আক্রমণ, সঙ্গতে স্যাক্সোফোনের ক্ষীণ অবশেষ এবং stemগুলো যোগ করলে মিশ্রণের সামঞ্জস্য পরীক্ষা করতে হবে।
Mega53 saxophone একই ট্র্যাকে শুনে তুলনা করার সুযোগ দেয়, কিন্তু গবেষণাপত্রের টেবিলে এর কোনো সারি নেই। প্রতিটি ক্যাটালগ ও বাদ্যযন্ত্রের রেজিস্টারের জন্য মডেল নির্বাচন পুনরায় বিবেচনা করা উচিত।
পরীক্ষার উপাদানে জ্যাজ স্যাক্সোফোনের প্রাধান্য রয়েছে এবং এটি প্রতিটি ঘরানা, ইফেক্ট চেইন বা স্যাক্সোফোন রেজিস্টারের প্রতিনিধিত্ব করে না। প্রকাশিত বিচ্যুতিও ট্র্যাকভেদে উল্লেখযোগ্য তারতম্যের ইঙ্গিত দেয়।
বিশেষায়িত পৃথকীকরণ তরঙ্গরূপ বদলে দেয় এবং এটি ফরেনসিক পুনরুদ্ধার নয়। রিমিক্স বা ডেটাসেটের কাজে মূল ফাইল ও প্রক্রিয়াকরণের নথি সংরক্ষণ করতে হবে।
মডেলের নাম, সংখ্যা ও সীমাবদ্ধতার উৎস নিচের গবেষণাপত্র, রিপোজিটরি বা model card।