Modelo
SFC-Locoformer: Compressão espectral adaptativa e limites de diálogo para 11,8 dB DnR
Leitura intensiva da separação do som do jornal / filme e televisão
Leitura intensiva da separação do som do jornal / filme e televisão
© 2026 TelkNet. Todos os direitos reservados.
LENN UR BAPER / DISRANN SINEMATEK
DnR a zisrann meskaj un abadenn e divizoù, sonerezh hag efedoù. An andonioù-se a grog an eil en egile war an amzer koulz ha war ar frekañs, neuze n'haller ket bihanaat ar gudenn da zinoiñ oberiantiz ar vouezh. SFC-Locoformer, BandIt ha TIGER-DnR a dagrañ d'an hevelep labour gant arzoù kompreshañ, koustadoù sekañsoù ha prouennoù embannet disheñvel.
Un STFT a brodu ar spektr kemplezh X(t,f). Reiñ an hevelep budjed chadennoù da bep bin amezek zo dispign jediñ war berzhioù kengevreet-mat. SFC a zesk ur projektadur war-du un ahel spekterel koef :
Z(t,k)=Σ_f C(k,f)·[Re X(t,f), Im X(t,f)]
An dekoder a implij ar cross-attention evit kas ar c'hinnigadur kompreshet en-dro da vinioù frekañs ar pal. N'eo ket un troc'h frekañs uhel : kit ar c'hensonennoù, an harmonikoù padus hag an efedoù ledan-band a chom da c'houzout d'an disranner.
Ar blokadoù lec'hel a batromm argadoù, plosivoù ha tagadurioù an taboulinoù ; ar c'hehentiñ a-dreuz ar prenestroù a zoug gweleadoù sonerezh, frazennoù hag endro. Ur vaezienn evezh stank hepken a raje kreskiñ ar memor raktal gant an pad. Locoformer a gemm mesk lec'hel hag eskemm pell-pourzh skant evit ma chom ar checkpoint medium embannet pleustrek.
Taolenn II a ro 11.8 dB da SFC-Locoformer medium ha 10.9 dB da BandIt gant hevelep protokol test DnR. Ar pal scale-invariant eo :
SI-SDR=10 log10(||s_target||² / ||e_noise||²)
Kement-se a zreist ur renkadur e-barzh ar protokol, ha ne ket keñveriadurioù ouzh MUSDB, un adweladenn all eus DnR pe klipoù diuzet gant an dorn. An araokadenn a 0.9 dB ne zink ket kennebeut ma trec'hfe pep tennañ film ; ar frikativioù, ledander an endro ha traenantoù an efedoù a c'houlenn c'hoazh un selaou dall.
An oberourien a embann enkoderioù SFC-CA, SFC-Mamba ha BandIt, disranner TF-Locoformer, ha pouezhioù rakgourdozet MUSDB18-HQ ha DnR. Gallout a reer eta keñveriañ arkitektouriezh ar baper, an implementadur er repo ha restroù ar gartenn-model an eil ouzh egile ; 11.8 dB a chom stag nemet ouzh protokol DnR v2 an Taolenn II.
Disrann divizoù, sonerezh hag efedoù en deus tapet un termenadur pal kenstabil a-walc'h goude DnR Challenge 2021. BandIt en deus lakaet goude e varregezh batrommañ war bandennoù frekañs nann-unvan, e-keit ha ma en deus TIGER klasket ur model sekañsoù marc'hadoc'h. SFC-Locoformer a sav ur goulenn ijinadurezh all : ma eo binioù frekañs amezek anezhe, ha c'haller o c'hompreshañ a-raok dispign budjed ar model war framm divizoù ha skorenn hiroc'h ?
Setu perak eo d'an tri model embannet o lec'h war ur bajenn gevred hepken hep bezañ deskrivet evel un erlec'hiadenn kozh-nevez eeun. BandIt zo ur vazenn band-split kreñv, TIGER a ginnig un dibab renet war ar jediñ, hag ar checkpoint SFC medium embannet a ro 11.8 dB gant hevelep protokol DnR v2 hag hini an Taolenn II. An arkitektouriezh, ar pouezhioù hag ar protokol priziañ a gont pep hini.
Z(t,k)=Σ_f A(k,f|X)·W_f·X(t,f)X(t,f)spektr kemplezh an enmontA(k,f|X)skodagn bandennoù azasaet ouzh an enmontZ(t,k)kinnigadur sekañsoù kompreshetA n'eo ket ur reolenn sparzhañ frekañs stabil. Ur pouez skodagn a hervez ouzh an enmont eo, e mod ma lez an ahel k berrroc'h muioc'h a varregezh sekañsoù evit an divizoù, ar skorenn hag an endro a-hed an amzer.
An dekoder a reklam c'hoazh gant perzhioù nann-kompreshet evit adsevel pep bin ezvont. Ar c'hengrel zo un dielfennadur eus red an titouroù ; CrossAttnEncoder, CrossAttnDecoder hag ar query azasaus er repo eo an implementadur a c'haller kontrolli.
Gallout a reer heuliañ ar baper, ar c'hod hag ar pouezhioù dre vammenn SFC-Locoformer / checkpoint DnR embannet / paper SFC ha taolenn DnR.
N'eus renket amañ nemet al linennoù gwiriet gant an hevelep protokol embannet ; TIGER-DnR n'eo ket lakaet e Taolenn II hep un disoc'h a glot.
| Model | Disoc'h embannet | Penaos e lennañ |
|---|---|---|
| SFC-Locoformer medium | 11.8 dB SI-SDR | talvoud uhelañ embannet er protokol-mañ ; kontrolli c'hoazh bevennoù an divizoù |
| BandIt | 10.9 dB SI-SDR | mazenn band-split dindan an hevelep protokol |
| TIGER-DnR | prouennoù efedusted diskouezet a-ziforc'h | n'eo ket mesket en ul linenn taolenn a vank |
War an divizoù, selaouit ar sibilantoù, an analoù hag ar vouezh pell. SI-SDR a zilemmer ar c'hras hollek eus ar geñveriadenn, met gallout a ra koll bevennoù metalek ha lostoù sal breinet. War ar sonerezh, gwirit tasmantoù ar vouezh ; war an efedoù, mirit kendalch an dorioù, an troadoù hag an endro.
Meskajoù skignañ a endalc'h ivez limiting, ducking an divizoù ha fold-down ar chadennoù. Ur protokol paper DnR ne ziskouez ket ent emgefre pep master pourvez ; keñveriadurioù etre SFC, BandIt ha TIGER a dle implijout an hevelep tennadoù ha kontrolli a-ziforc'h bevennoù an divizoù, gorzadur ar sonerezh ha kendalch an endro.
Ar stem efedoù zo un endalc'her ledan. Glav, trafik, bravo ha foley a chom mesket, neuze ezvont DnR n'eo ket un dielfennadur son e live an traezoù.
Kondisionoù an aotre a-us a ren c'hoazh war an dasparzhañ hag an adskignañ, zoken ma n'interomp ken stumm ar gefr red al labour gant ur brezegenn war aotre ar model.
Anvioù ar modeloù, an niverennoù hag ar bevennoù a zeu eus ar paperoù, ar repoioù pe ar gartennoù-model a-is.