চার-stem অডিও separation: Huge-SCNet কেন MSS লক্ষ্য পূরণ করে
TelkNet-এর বর্তমান চার-stem tool Huge-SCNet-4stems V1.2 ব্যবহার করে পূর্ণ mix-কে vocals, drums, bass এবং other-এ ভাগ করে। লেখাটি MSS architecture ইতিহাস, Mel-Band RoFormer-এর শক্তি ও সীমা, SCNet subband modeling এবং public four-stem score দিয়ে সিদ্ধান্ত ব্যাখ্যা করে।
মডেল বিশ্লেষণ / TelkNet
TelkNet-এর বর্তমান চার-stem tool Huge-SCNet-4stems V1.2 ব্যবহার করে পূর্ণ mix-কে vocals, drums, bass এবং other-এ ভাগ করে। লেখাটি MSS architecture ইতিহাস, Mel-Band RoFormer-এর শক্তি ও সীমা, SCNet subband modeling এবং public four-stem score দিয়ে সিদ্ধান্ত ব্যাখ্যা করে।
Architecture tradeoff
Mel-Band RoFormer mel-band ও RoPE দিয়ে vocal detail-এ শক্তিশালী, কিন্তু four-stem separation-এ drums, bass এবং other-এর high-frequency instrument detail-ও রক্ষা করতে হয়।
SCNet route subband modeling ও sparse compression ব্যবহার করে চারটি stem ভারসাম্য করে; তাই Huge-SCNet-4stems V1.2 বর্তমান tool-এর model boundary।
MVSep Ensemble quality ceiling reference হিসেবে ব্যবহারযোগ্য, তবে এটিকে একক model নয়, multi-model workflow হিসেবে লিখতে হবে।
তথ্যসূত্র
- huggingface.co/Aname-Tommy/Huge-SCNet-4stems/tree
- ZFTurbo pretrained models
- MVSep Multisong Leaderboard
- mvsep.com/algorithms/6
- mvsep.com/algorithms/49
- lucidrains/BS-RoFormer
- Kimberley Jensen Mel-Band Roformer Vocal Model
- Mel-RoFormer for Vocal Separation and Vocal Melody Transcription
- sigsep.github.io/datasets/musdb.html
- SCNet
- github.com/thuhcsi/SCNet
- Mel-Band RoFormer
- BS-RoFormer
- HTDemucs