Μοντέλο
Demucs v3 μοντέλο σαξοφώνου: 14,22 dB και στενή ζώνη A/B
Διαχωρισμός οργάνων/Τεχνικές σημειώσεις
Διαχωρισμός οργάνων/Τεχνικές σημειώσεις
ΔΙΑΧΩΡΙΣΜΟΣ ΟΡΓΑΝΩΝ / ΤΕΧΝΙΚΗ ΣΗΜΕΙΩΣΗ
Το σαξόφωνο δεν καταλαμβάνει μια σταθερή ζώνη συχνοτήτων. Οι θεμελιώδεις συχνότητες, ο θόρυβος της γλωττίδας, οι αρμονικές και οι ουρές της αντήχησης του χώρου επικαλύπτονται με φωνητικά, χάλκινα πνευστά και παραμορφωμένες κιθάρες. Η αξία του checkpoint προέρχεται από την κατανομή εκπαίδευσής του, όχι από ένα χειροκίνητο ζωνοπερατό φίλτρο.
Για x=s_sax+s_back, ένας κωδικοποιητής μειώνει τη χρονική ανάλυση, το σημείο συμφόρησης της ακολουθίας ανταλλάσσει συμφραζόμενα μεγάλης εμβέλειας και ο αποκωδικοποιητής αυξάνει τη δειγματοληψία δύο εκτιμήσεων. Ένας συνοπτικός στόχος εκπαίδευσης είναι:
L = ||ŝ_sax-s_sax||₁ + ||ŝ_back-s_back||₁ + λ||ŝ_sax+ŝ_back-x||₁
Ο όρος συνέπειας αποθαρρύνει την απώλεια ενέργειας από τη μίξη. Τα υψηλά ρετζίστρα, η αντήχηση μεγάλης διάρκειας και οι παρατεταμένες νότες που συμπίπτουν με κύρια φωνητικά μπορούν ακόμη να διαρρεύσουν — περιορισμοί που αναγνωρίζονται και στην αναφορά του μοντέλου.
Το δημοσιευμένο αποτέλεσμα είναι περίπου 14.22 dB SDR σε ένα στενό σύνολο σαξοφώνου τζαζ, έναντι περίπου 14.03 dB για την αναφερόμενη εμπορική γραμμή βάσης Wind. Η μικρή διαφορά και η επικαλυπτόμενη διακύμανση υποστηρίζουν μια περιορισμένη σύγκριση μέσα στον ίδιο πίνακα, όχι έναν καθολικό χαρακτηρισμό SOTA για όλα τα είδη και τα ρετζίστρα.
Η εργασία υποστηρίζει την ανακατασκευή του Charlie Parker Omnibook: οι ιστορικές ηχογραφήσεις διαχωρίζονται πριν από τη μεταγραφή με το FiloSax. Το υψηλό ρετζίστρο, οι ταυτοφωνίες χάλκινων πνευστών, η έντονη αντήχηση και οι παραμορφωμένες κιθάρες παραμένουν δύσκολες περιπτώσεις, επομένως η διαρροή πρέπει να εξετάζεται μαζί με τις παραλείψεις νοτών και τα σφάλματα έναρξης στην επόμενη φάση.
Το εξειδικευμένο μοντέλο για σαξόφωνο διατηρεί τον κωδικοποιητή κυματομορφής, το σημείο συμφόρησης ακολουθίας και τον αποκωδικοποιητή του Demucs v3, αλλά τα κέρδη του προέρχονται από μια στενότερη πηγή: τα δεδομένα FiloSax και ένας στόχος ειδικά για σαξόφωνο συγκεντρώνουν τη χωρητικότητα στον θόρυβο της γλωττίδας, στις αρμονικές, στα γλιστρήματα και στην επικάλυψη με τη συνοδεία. Το όνομα αρχείου του checkpoint καταγράφει 14.22 dB SDR και η κάρτα μοντέλου επισημαίνει το υψηλό ρετζίστρο ως αδυναμία.
Το άρθρο εντάσσει τον διαχωρισμό σε μια ερευνητική αλυσίδα για τον Charlie Parker και το Omnibook: απομόνωση του σαξοφώνου από ιστορικές ηχογραφήσεις τζαζ και έπειτα μεταγραφή με το FiloSax. Ο διαχωρισμός είναι ένα προηγούμενο στάδιο. Το αποτέλεσμα 14.03 dB του LALAL.AI Wind εμφανίζεται στον ίδιο πίνακα· η μικρή διαφορά επιτρέπει τη σύγκριση, αλλά όχι έναν γενικευμένο ισχυρισμό υπεροχής.
[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)Eκωδικοποιητής κυματομορφήςBαμφίδρομο σημείο συμφόρησης ακολουθίαςDαποκωδικοποιητής του stem-στόχουΟ κωδικοποιητής συμπιέζει την κυματομορφή, ένα σημείο συμφόρησης ακολουθίας ανταλλάσσει εκτεταμένα συμφραζόμενα και δύο διαδρομές αποκωδικοποίησης ανακατασκευάζουν το σαξόφωνο και τη συνοδεία. Τα εξειδικευμένα δεδομένα συγκεντρώνουν τη χωρητικότητα στον θόρυβο της γλωττίδας, στα γλιστρήματα και στην επικάλυψη με τη συνοδεία τζαζ.
Οι γραμμές 14.22 και 14.03 dB χρησιμοποιούν το ίδιο στενό σύνολο δοκιμών του άρθρου και διαφέρουν μόνο κατά 0.19 dB. Το υψηλό ρετζίστρο, οι ταυτοφωνίες χάλκινων πνευστών και η παραμορφωμένη κιθάρα εξακολουθούν να απαιτούν δοκιμές A/B για κάθε κατάλογο.
Το άρθρο, ο κώδικας και τα βάρη είναι διαθέσιμα μέσω των Βαρών σαξοφώνου Demucs v3 / Αναφοράς διαχωρισμού σαξοφώνου / Πηγαίου κώδικα Demucs.
Κάθε γραμμή διατηρεί την αρχιτεκτονική προέλευσης, τη μετρική ή τον ορισμό εργασίας της· τα αποτελέσματα χωρίς κοινό πρωτόκολλο παραμένουν χωριστά.
| Μοντέλο | Αρχιτεκτονική ή τεκμήριο | Πεδίο |
|---|---|---|
| Demucs v3 + FiloSax | 14.22 dB SDR | γραμμή εξειδικευμένου μοντέλου στον πίνακα του άρθρου |
| LALAL.AI Wind | 14.03 dB SDR | εμπορική γραμμή βάσης στον ίδιο πίνακα |
| Mega53 saxophone | καμία αντίστοιχη τιμή στον πίνακα | μόνο ακουστική σύγκριση στο ίδιο κομμάτι |
Οι υψηλές νότες, η έντονη αντήχηση, οι ταυτοφωνίες χάλκινων πνευστών και η παραμορφωμένη κιθάρα είναι συνηθισμένες περιπτώσεις διαρροής. Πέρα από το SDR, πρέπει να εξετάζονται οι εξασθενημένες ατάκες, τα ίχνη σαξοφώνου στη συνοδεία και η συνέπεια της μίξης όταν αθροίζονται τα stems.
Το Mega53 saxophone μπορεί να προσφέρει ακουστική σύγκριση στο ίδιο κομμάτι, αλλά δεν έχει γραμμή στον πίνακα του άρθρου. Η επιλογή μοντέλου πρέπει να επανεξετάζεται για κάθε κατάλογο και ρετζίστρο οργάνου.
Το υλικό δοκιμής επικεντρώνεται σε μεγάλο βαθμό στο σαξόφωνο τζαζ και δεν αντιπροσωπεύει κάθε είδος, αλυσίδα εφέ ή ρετζίστρο σαξοφώνου. Η αναφερόμενη απόκλιση δείχνει επίσης σημαντική διακύμανση μεταξύ κομματιών.
Ο εξειδικευμένος διαχωρισμός αλλάζει την κυματομορφή και δεν αποτελεί εγκληματολογική ανάκτηση. Τα πρωτότυπα και τα αρχεία επεξεργασίας πρέπει να διατηρούνται για remix ή εργασίες σε σύνολα δεδομένων.
Τα ονόματα μοντέλων, οι αριθμοί και οι περιορισμοί ανάγονται στα παρακάτω άρθρα, αποθετήρια ή κάρτες μοντέλων.