Modelvalg
Demucs v3 saxofonmodel: 14,22 dB og smalbånds A/B
Instrumentadskillelse/tekniske noter
Instrumentadskillelse/tekniske noter
INSTRUMENTSEPARATION / TEKNISK NOTE
Saxofonen ligger ikke i et stabilt frekvensbånd. Grundtoner, rørbladsstøj, overtoner og rumklangens haler overlapper med vokal, messingblæsere og forvrængede guitarer. Checkpointets værdi kommer fra træningsfordelingen, ikke fra et håndskrevet båndpasfilter.
For x=s_sax+s_back reducerer en encoder den tidslige opløsning, sekvensflaskehalsen udveksler langtrækkende kontekst, og decoderen opskalerer to estimater. Et kompakt træningsmål er:
L = ||ŝ_sax-s_sax||₁ + ||ŝ_back-s_back||₁ + λ||ŝ_sax+ŝ_back-x||₁
Konsistensleddet modvirker, at der mangler energi fra mixet. Høje registre, lang rumklang og holdte toner, der falder sammen med en leadvokal, kan stadig lække – begrænsninger, som modelrapporten også anerkender.
Det rapporterede resultat er cirka 14.22 dB SDR på et snævert jazzsaxofon-datasæt mod omtrent 14.03 dB for den citerede kommercielle Wind-reference. Den lille forskel og de overlappende variationer understøtter en afgrænset sammenligning i samme tabel, ikke en universel SOTA-betegnelse på tværs af genrer og registre.
Arbejdet understøtter rekonstruktionen af Charlie Parker Omnibook: historiske optagelser separeres før transkription med FiloSax. Højt register, messingblæsere i unison, kraftig rumklang og forvrængede guitarer er fortsat vanskelige, så lækage skal vurderes sammen med udeladte toner og anslagsfejl i den efterfølgende transkription.
Saxofonspecialisten bevarer Demucs v3’s bølgeformsencoder, sekvensflaskehals og decoder, men forbedringerne kommer fra en smallere kilde: FiloSax-data og et saxofonspecifikt mål koncentrerer kapaciteten om rørbladsstøj, overtoner, glid og overlap med akkompagnementet. Checkpointets filnavn angiver 14.22 dB SDR, og modelkortet fremhæver det høje register som en svaghed.
Artiklen placerer separation i en forskningskæde om Charlie Parker og Omnibook: isoler saxofonen fra historiske jazzoptagelser, og transskriber den derefter med FiloSax. Separation er et forudgående trin. Resultatet på 14.03 dB for LALAL.AI Wind står i samme tabel; den lille forskel giver grundlag for en sammenligning, men ikke for en generel påstand om overlegenhed.
[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)EbølgeformsencoderBtovejs sekvensflaskehalsDdecoder til mål-stemEncoderen komprimerer bølgeformen, en sekvensflaskehals udveksler lang kontekst, og to decoderstier rekonstruerer saxofon og akkompagnement. Specialistdata koncentrerer kapaciteten om rørbladsstøj, glid og overlap med jazzakkompagnement.
Rækkerne med 14.22 og 14.03 dB deler det samme snævre testdatasæt fra artiklen og afviger kun med 0.19 dB. Højt register, messingblæsere i unison og forvrænget guitar kræver stadig A/B-test for hvert katalog.
Artikel, kode og vægte kan følges via Demucs v3-saxofonvægte / Rapport om saxofonseparation / Demucs-kildekode.
Hver række bevarer sin oprindelige arkitektur, metrik eller opgavedefinition; resultater uden en fælles protokol holdes adskilt.
| Model | Arkitektur eller evidens | Omfang |
|---|---|---|
| Demucs v3 + FiloSax | 14.22 dB SDR | specialistrække i artiklens tabel |
| LALAL.AI Wind | 14.03 dB SDR | kommerciel reference i samme tabel |
| Mega53 saxophone | ingen tilsvarende tabelværdi | kun lytteprøve på samme spor |
Høje toner, kraftig rumklang, messingblæsere i unison og forvrænget guitar er almindelige lækagetilfælde. Ud over SDR bør man kontrollere udviskede anslag, rester af saxofon i akkompagnementet og mixets konsistens, når stems lægges sammen.
Mega53 saxophone kan bruges til en lytteprøve på samme spor, men har ingen række i artiklens tabel. Modelvalget bør vurderes på ny for hvert katalog og instrumentregister.
Testmaterialet er stærkt præget af jazzsaxofon og repræsenterer ikke alle genrer, effektkæder eller saxofonregistre. Den rapporterede afvigelse viser også betydelig variation mellem spor.
Specialiseret separation ændrer bølgeformen og er ikke en retsmedicinsk rekonstruktion. Originaler og behandlingsjournaler skal bevares ved remix eller datasætarbejde.
Modelnavne, tal og begrænsninger kan spores til nedenstående artikler, repositories eller modelkort.