Input-Adaptive Spectral Feature Compression by Sequence Modeling for Source Separation
arXiv - 2026
চলচ্চিত্র ও টিভির অডিও থেকে স্পষ্ট সংলাপ বের করুন এবং পটভূমিকে পৃথক সঙ্গীত ও শব্দ প্রভাব ট্র্যাকে ভাগ করুন।
লোড হচ্ছে...
চলচ্চিত্রের অডিও সংলাপ, সংগীত ও ইফেক্টে আলাদা করে ডাবিং ও মিক্সিংয়ে ব্যবহার করুন।
ইনপুট
mp3 / wav / flac / ogg / m4a / aac / aif / aiff / mp4 / mov / mkv এর মতো ফর্ম্যাটগুলিতে ইনপুট সমর্থন করে
সমর্থিত বিন্যাস
আউটপুট
WAV
কেস ব্যবহার করুন
চলচ্চিত্রের অডিও সংলাপ, সংগীত ও ইফেক্টে আলাদা করে ডাবিং ও মিক্সিংয়ে ব্যবহার করুন।
আপনার উপাদান ও উদ্দেশ্যের উপযোগী মডেল বেছে নিন এবং জমা দেওয়ার আগে উদাহরণগুলো দেখুন।
খরচ, সময়, ফরম্যাট ও প্যারামিটার নির্বাচিত মডেলের ওপর নির্ভর করে।
মতামতে টুলের নাম, ধাপগুলো এবং সমস্যাটি লিখুন। স্ক্রিনশট দিলে সমস্যা খুঁজতে সুবিধা হয়।
ডাবিং, সম্পাদনা ও রিমিক্সের জন্য সংলাপ, সংগীত, ইফেক্ট তিন ট্র্যাকে।
ফ্রিকোয়েন্সি ব্যান্ডে ভাগ করা নেটওয়ার্কে সংলাপ/সংগীত/ইফেক্ট; মিশে থাকা শব্দ ও পটভূমির বিস্তারিত তুলনা করুন।
সিনেমার তিন ট্র্যাকের সময়-ফ্রিকোয়েন্সি মডেল; TIGER DnR দুই বক্তার TIGER থেকে আলাদা।
চলচ্চিত্র ও ভিডিওর শব্দকে সংলাপ, সংগীত ও শব্দপ্রভাবে আলাদা করে। আউটপুট 44.1 kHz মনো; স্টেরিও ইনপুট প্রথমে মনোতে মেশানো হয়।
arXiv - 2026
চলচ্চিত্র ও টিভির অডিও থেকে স্পষ্ট সংলাপ বের করুন এবং পটভূমিকে পৃথক সঙ্গীত ও শব্দ প্রভাব ট্র্যাকে ভাগ করুন।
IEEE OJSP - 2024
চলচ্চিত্র ও টিভির অডিও থেকে স্পষ্ট সংলাপ বের করুন এবং পটভূমিকে পৃথক সঙ্গীত ও শব্দ প্রভাব ট্র্যাকে ভাগ করুন।
arXiv - 2024
চলচ্চিত্র ও টিভির অডিও থেকে স্পষ্ট সংলাপ বের করুন এবং পটভূমিকে পৃথক সঙ্গীত ও শব্দ প্রভাব ট্র্যাকে ভাগ করুন।
arXiv - 2026
চলচ্চিত্র ও ভিডিওর শব্দকে সংলাপ, সংগীত ও শব্দপ্রভাবে আলাদা করে। আউটপুট 44.1 kHz মনো; স্টেরিও ইনপুট প্রথমে মনোতে মেশানো হয়।
CVPR - 2026
AV-CASS-এর দৃশ্য ও অডিও শর্ত দিয়ে ভিডিও থেকে কথা, ইফেক্ট ও সংগীত আলাদা করে; সরাসরি তুলনার জন্য শুধু অডিও শর্তও আছে।
আউটপুট বিভাগ: 3
শুধু যাচাই করা প্রকাশ্য ইনফারেন্স বাস্তবায়ন ও পরীক্ষার সঙ্গে মিলে যাওয়া ওজনের রেকর্ড দেখানো হয়; ওজন লাগে না এমন অ্যালগরিদমও অন্তর্ভুক্ত। বন্ধ সেবা, অপ্রকাশিত ওজন ও অমিল পরীক্ষামূলক সংস্করণ বাদ দেওয়া হয়। এটি সব মডেলের সামগ্রিক তালিকা নয়।
প্রতিটি বেঞ্চমার্কে একই ওজনের সেট একবারই দেখানো হয়, নির্বাচিত সূচকে তার সেরা প্রকাশিত ফলাফলসহ। সামগ্রিক স্কোর একটি মূল্যায়ন থেকেই নেওয়া হয়। মূল্যায়ন ও সেটিংস তুলনা করতে প্রসারিত করুন।
ওজন প্রকাশ করলেই পূর্ণ ওপেন সোর্স লাইসেন্স নিশ্চিত হয় না। ঘোষিত ওজনের লাইসেন্স ও প্রবেশের শর্ত দেখতে তথ্য খুলুন। অঘোষিত লাইসেন্স আলাদাভাবে চিহ্নিত থাকে।
চিহ্নগুলি এখানে ব্যবহৃত মডেল বা উপাদান বোঝায়। স্কোর ও সেটিংস উদ্ধৃত পরীক্ষার; এগুলি সাইটের সম্পূর্ণ প্রক্রিয়ার নতুন মূল্যায়ন নয়।
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
স্থাপনযোগ্য 2 / উৎসের সারি 10
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
MRX-C † · - · Hybrid Demucs (v3) †‡ · - · BS-Locoformer (Small) · C1 · Band-split (64) · SFC-Locoformer (Small) · C2 · SFC-Mamba (64) · SFC-Locoformer (Small) · C3 · SFC-CA (64) · BS-Locoformer (Medium) · D1 · Band-split (64) · SFC-Locoformer (Medium) · D2 · SFC-Mamba (64) · SFC-Locoformer (Medium) † · D4 · SFC-CA (64)
মানগুলো সংযুক্ত প্রকাশ্য উৎস থেকে নেওয়া হয়েছে। সারির লেবেলে পরীক্ষার ডেটাসেট বা চেকপয়েন্ট দেওয়া আছে; প্রকাশ না করা স্কোর - দিয়ে দেখানো হয়।
| মেট্রিক র্যাঙ্ক | মডেল | পরীক্ষার শর্ত | Params. | Speech | Music | Sfx | Average | ||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| SNR↑ | SISDR↑ | SNR↑ | SISDR↑ | SNR↑ | SISDR↑ | SNR↑ | SISDR↑ | ||||
| 1 | SFC-Locoformer (Medium)এই সাইটে ব্যবহৃত মডেল | D3 · SFC-CA (64) | 16.0 M | 16.38 | 16.32 | 9.70 | 9.28 | 10.56 | 9.88 | 12.21 | 11.83 |
| 2 | BandIt †প্রকাশ্য ওজন · ইনফারেন্স কোড | Band-split (64) | 37.0 M | 15.7 | 15.6 | 8.7 | 8.0 | 9.8 | 8.2 | 11.4 | 10.9 |
চিহ্নগুলি এখানে ব্যবহৃত মডেল বা উপাদান বোঝায়। স্কোর ও সেটিংস উদ্ধৃত পরীক্ষার; এগুলি সাইটের সম্পূর্ণ প্রক্রিয়ার নতুন মূল্যায়ন নয়।
ডেটাসেট, সংস্করণ ও শর্ত আলাদা থাকে; যোগ্য সারি না থাকা উৎসও রাখা হয়।
স্থাপনযোগ্য 9 / উৎসের সারি 21 · যাচাই: 2026-10-25
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
PT2 · MVSep Ensemble (SCNet + Mel) (2024.11) · MVSep SCNet DnR (2024.11) · MVSep MelBand Roformer DnR (v1, 2024.11) · Bandit v2 (multi) · test_scheme2 · test_scheme1 · test1012 · test_4stems_dnr_0908 · Bandit Plus (no resample) · Bandit Plus (with resample) · test_scheme3
স্থাপনযোগ্য 2 / উৎসের সারি 10
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
MRX-C † · - · Hybrid Demucs (v3) †‡ · - · BS-Locoformer (Small) · C1 · Band-split (64) · SFC-Locoformer (Small) · C2 · SFC-Mamba (64) · SFC-Locoformer (Small) · C3 · SFC-CA (64) · BS-Locoformer (Medium) · D1 · Band-split (64) · SFC-Locoformer (Medium) · D2 · SFC-Mamba (64) · SFC-Locoformer (Medium) † · D4 · SFC-CA (64)
স্থাপনযোগ্য 2 / উৎসের সারি 2
স্কোর নির্দিষ্ট ডেটাসেট, মেট্রিক ও মডেল সংস্করণের জন্য প্রযোজ্য; ভিন্ন পরীক্ষার ফল সরাসরি তুলনাযোগ্য নয়।
টেবিলে শুধু সেই মডেলগুলো আছে যাদের প্রকাশ্য ওজন বা কনফিগারেশন রয়েছে এবং স্থানীয়ভাবে চালানো যায়।
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
স্থাপনযোগ্য 2 / উৎসের সারি 10
এই পরীক্ষাগুলোর পূর্ণ প্রকাশ্য ইনফারেন্স প্যাকেজ যাচাই করা হয়নি। একই নামের মডেলের অন্য ওজন বিকল্প নয়।
MRX-C † · - · Hybrid Demucs (v3) †‡ · - · BS-Locoformer (Small) · C1 · Band-split (64) · SFC-Locoformer (Small) · C2 · SFC-Mamba (64) · SFC-Locoformer (Small) · C3 · SFC-CA (64) · BS-Locoformer (Medium) · D1 · Band-split (64) · SFC-Locoformer (Medium) · D2 · SFC-Mamba (64) · SFC-Locoformer (Medium) † · D4 · SFC-CA (64)
মানগুলো সংযুক্ত প্রকাশ্য উৎস থেকে নেওয়া হয়েছে। সারির লেবেলে পরীক্ষার ডেটাসেট বা চেকপয়েন্ট দেওয়া আছে; প্রকাশ না করা স্কোর - দিয়ে দেখানো হয়।
| মেট্রিক র্যাঙ্ক | মডেল | পরীক্ষার শর্ত | Params. | Speech | Music | Sfx | Average | ||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| SNR↑ | SISDR↑ | SNR↑ | SISDR↑ | SNR↑ | SISDR↑ | SNR↑ | SISDR↑ | ||||
| 1 | SFC-Locoformer (Medium) | D3 · SFC-CA (64) | 16.0 M | 16.38 | 16.32 | 9.70 | 9.28 | 10.56 | 9.88 | 12.21 | 11.83 |
| 2 | BandIt †প্রকাশ্য ওজন · ইনফারেন্স কোড | Band-split (64) | 37.0 M | 15.7 | 15.6 | 8.7 | 8.0 | 9.8 | 8.2 | 11.4 | 10.9 |
প্রতিটি মডেলের সব মেট্রিক দেখতে ডেটাসেট বেছে নিন। সারিগুলি সরকারি র্যাঙ্ক বা নির্বাচিত মেট্রিক অনুযায়ী সাজানো হয়। প্রতি কলামের সেরা তুলনাযোগ্য মান, সমান মানসহ, গাঢ় করে দেখানো হয়। ভিন্ন মূল্যায়ন পদ্ধতির র্যাঙ্ক আলাদা থাকে; অনুপস্থিত স্কোর - দিয়ে দেখানো হয়।
DnR v2-এর 973টি পূর্ণ পরীক্ষার ট্র্যাকে লেখকদের প্রকাশিত SI-SDR। প্রতিটি মডেল তার নির্ধারিত উইন্ডো ও হপ ব্যবহার করে; গড়ে সংগীত, সংলাপ ও শব্দপ্রভাব অন্তর্ভুক্ত। এগুলো TelkNet-এর মাপা ফল নয় এবং অন্য ডেটাসেট বা প্রশিক্ষণ পদ্ধতির স্কোরের সঙ্গে এক করা হয় না।
| মেট্রিক র্যাঙ্ক | মডেল | পরীক্ষার শর্ত | গড় SI-SDR (dB) ↑ | MX SI-SDR (dB) ↑ | DX SI-SDR (dB) ↑ | FX SI-SDR (dB) ↑ | পরামিতি বি |
|---|---|---|---|---|---|---|---|
| 1 | DBS-TIGER (128)প্রকাশ্য ওজন · ইনফারেন্স কোড | DnR v2 · 973 · 6 s / 3 s | 10.13 | 7.78 | 15.9 | 6.7 | 1 |
| 2 | DBS-BSRNN (128)প্রকাশ্য ওজন · ইনফারেন্স কোড | DnR v2 · 973 · 3 s / 1.5 s | 9.07 | 6.48 | 15.01 | 5.73 | 4.7 |
আপনার উপাদানের উপযোগী প্রক্রিয়াকরণ পদ্ধতি ও ধাপ খুঁজুন।