Audio razdvajanje na četiri stema: zašto Huge-SCNet odgovara MSS cilju
Trenutni TelkNet alat za četiri stema koristi Huge-SCNet-4stems V1.2 za podjelu kompletnog miksa na vokal, bubnjeve, bas i ostalo. Članak objašnjava izbor kroz MSS historiju, granice Mel-Band RoFormer-a, SCNet subband modeliranje i javne rezultate.
ANALIZA MODELA / TelkNet
Trenutni TelkNet alat za četiri stema koristi Huge-SCNet-4stems V1.2 za podjelu kompletnog miksa na vokal, bubnjeve, bas i ostalo. Članak objašnjava izbor kroz MSS historiju, granice Mel-Band RoFormer-a, SCNet subband modeliranje i javne rezultate.
Arhitekturni kompromis
Mel-Band RoFormer je jak za vokalne detalje kroz mel-band i RoPE, ali četiri stema moraju zaštititi i bubnjeve, bas i visokofrekventne detalje u ostalom.
SCNet ruta koristi subband modeliranje i sparse compression da bolje izbalansira četiri stema; zato je Huge-SCNet-4stems V1.2 trenutna granica modela.
MVSep Ensemble može služiti kao referenca gornjeg kvaliteta, ali treba ga opisati kao workflow više modela, ne kao jedan model.
Izvori
- 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