Demucs v3 model saksofona: 14,22 dB i uskopojasni A/B

RAZDVAJANJE INSTRUMENATA / TEHNIČKA BILJEŠKA

Saksofon ne zauzima stabilan frekvencijski opseg. Osnovni tonovi, šum trske, harmonici i odjeci prostorije preklapaju se s vokalima, limenim duvačima i distorziranim gitarama. Vrijednost ove kontrolne tačke proizlazi iz distribucije podataka za obuku, a ne iz ručno napisanog propusnog filtra.

Rekonstrukcija valnog oblika

Za x=s_sax+s_back, enkoder smanjuje vremensku rezoluciju, sekvencijsko usko grlo razmjenjuje udaljeni kontekst, a dekoder povećava rezoluciju dvije procjene. Sažeta funkcija cilja za obuku glasi:

L = ||ŝ_sax-s_sax||₁ + ||ŝ_back-s_back||₁ + λ||ŝ_sax+ŝ_back-x||₁

Član za konzistentnost sprečava gubitak energije miksa. Visoki registri, duga reverberacija i zadržani tonovi koji se poklapaju s glavnim vokalom i dalje mogu procuriti — ta ograničenja navodi i izvještaj o modelu.

Zadržavanje 14.22 dB u odgovarajućem okviru

Prijavljeni rezultat iznosi oko 14.22 dB SDR na uskom skupu jazz saksofona, naspram približno 14.03 dB za navedenu komercijalnu osnovu Wind. Mala razlika i preklapajuća varijabilnost podržavaju ograničeno poređenje unutar iste tabele, a ne oznaku univerzalnog SOTA rezultata kroz žanrove i registre.

Zašto se razdvajanje pojavljuje u studiji transkripcije

Rad podržava rekonstrukciju Charlie Parker Omnibooka: historijski snimci razdvajaju se prije transkripcije pomoću FiloSaxa. Razdvajanje je prethodni korak. Visoki registar, unisoni limenih duvača, jaka reverberacija i distorzirane gitare ostaju zahtjevni, pa curenje treba sagledati zajedno s kasnijim izostavljenim notama i greškama početka tona.

Od fiksnih izvora do uslovljenog razdvajanja

Specijalistički model za saksofon zadržava Demucs v3 enkoder valnog oblika, sekvencijsko usko grlo i dekoder, ali poboljšanja dolaze iz užeg izvora podataka: FiloSax podaci i cilj prilagođen saksofonu usmjeravaju kapacitet na šum trske, harmonike, klizne tonove i preklapanje s pratnjom. Naziv datoteke kontrolne tačke bilježi 14.22 dB SDR, a kartica modela označava visoki registar kao slabost.

Rad smješta razdvajanje u istraživački lanac Charlie Parkera i Omnibooka: saksofon se izdvaja iz historijskih jazz snimaka, a zatim transkribuje pomoću FiloSaxa. Razdvajanje je ulazni korak. Rezultat LALAL.AI Wind od 14.03 dB pojavljuje se u istoj tabeli; mala razlika podržava poređenje, ali ne i tvrdnju o sveobuhvatnoj pobjedi.

**Zvanična Demucs Hybrid Transformer arhitektura**Grane valnog oblika i spektrograma, međudomenski Transformer enkoderi i dekoderi potječu iz izvornog Demucs repozitorija.Zvanični izvor: demucs.png

Kako enkoder valnog oblika rekonstruiše dva stema

[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)

Eenkoder valnog oblika
Bdvosmjerno sekvencijsko usko grlo
Ddekoder ciljnog stema

Enkoder sažima valni oblik, sekvencijsko usko grlo razmjenjuje dugi kontekst, a dvije putanje dekodera rekonstruišu saksofon i pratnju. Specijalistički podaci usmjeravaju kapacitet na šum trske, klizne tonove i preklapanje s jazz pratnjom.

Redovi s 14.22 i 14.03 dB koriste isti uski testni skup iz rada i razlikuju se za samo 0.19 dB. Visoki registar, unisoni limenih duvača i distorzirana gitara i dalje zahtijevaju A/B testiranje kataloga.

Rad, kod i težine mogu se pratiti kroz Demucs v3 težine za saksofon / izvještaj o razdvajanju saksofona / izvorni kod za Demucs.

**Zvanično poređenje saksofonske partiture u narednoj fazi**Referentni zapis je na gornjem sistemu, a transkripcija na donjem; ovo prikazuje provjeru nakon razdvajanja, a ne spektrogram razdvajanja.Zvanični izvor: 3RfYc-Marmaduke-b1-7.png / slika u radu opisana kao Marmaduke

Poređenje Bird partiture saksofona za transkripciju: gornji red je prava vrijednost, donji red je rezultat transkripcije, uključujući trojke i oznake akorda — **Papir Slika 2: Kontrola transkripcije ptica**Isti format kao i prethodni: istinita vrijednost u gornjem redu, transkripcija u donjem redu. Obratite pažnju na mjere gustoće tripleta - brzi legato je mjesto gdje će greške razdvajanja najvjerovatnije biti pojačane transkripcijom, a razliku između dva reda treba prvo pronaći ovdje.Zvanični izvor: vRfYc-TheBird-b41-both.png / papirna figura sa natpisom Ptica

Uporedivi rezultati pod jednom definicijom stema

Svaki red zadržava arhitekturu, metriku ili definiciju zadatka svog izvora; rezultati bez zajedničkog protokola ostaju odvojeni.

Model	Arhitektura ili dokaz	Opseg
Demucs v3 + FiloSax	14.22 dB SDR	red specijalističkog modela u tabeli rada
LALAL.AI Wind	14.03 dB SDR	komercijalna osnova u istoj tabeli
Mega53 saxophone	nema odgovarajuće vrijednosti u tabeli	samo slušno poređenje na istoj numeri

Slušanje stemova i konzistentnost miksa

Visoki tonovi, jaka reverberacija, unisoni limenih duvača i distorzirana gitara česti su slučajevi curenja. Pored SDR-a, treba provjeriti ublažene početke tonova, tragove saksofona u pratnji i konzistentnost miksa kada se stemovi saberu.

Mega53 saxophone može poslužiti za slušno poređenje na istoj numeri, ali nema red u tabeli rada. Izbor modela treba ponovo procijeniti za svaki katalog i registar instrumenta.

Granice definicije stema u skupu podataka

Testni materijal pretežno sadrži jazz saksofon i ne predstavlja svaki žanr, lanac efekata ili registar saksofona. Prijavljeno odstupanje također ukazuje na znatne razlike među numerama.

Specijalističko razdvajanje mijenja valni oblik i nije forenzička rekonstrukcija. Za remiks ili rad na skupu podataka treba sačuvati originale i zapise o obradi.

Radovi i javne datoteke za Demucs v3 težine za saksofon

Nazivi modela, brojevi i ograničenja mogu se pratiti do radova, repozitorija ili kartica modela navedenih u nastavku.