Demucs v3 サックス モデル: 14.22 dB および狭帯域 A/B

楽器分離 / 技術ノート

サクソフォンは一定した周波数帯域に収まらない。基音、リードノイズ、倍音、室内残響は、ボーカル、金管楽器、歪んだギターと重なる。このチェックポイントの価値は手書きのバンドパスフィルターではなく、学習データの分布にある。

波形の再構成

式 x=s_sax+s_back に対して、エンコーダーは時間方向のレートを下げ、シーケンス・ボトルネックが長距離の文脈を交換し、デコーダーが2つの推定信号をアップサンプリングする。簡潔な学習目的関数は次のように表せる。

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

整合性項は、混合音のエネルギーが失われるのを抑える。高音域、長い残響、リードボーカルと重なる持続音では、モデルレポートが認めているとおり、なお漏れが生じることがある。

14.22 dB を適切な範囲に留める

報告値は狭いジャズ・サクソフォンデータセットで約 14.22 dB SDR、同じ表に掲載された商用ベースライン Wind は約 14.03 dB である。差は小さく、ばらつきも重なるため、支持されるのは同一表内での限定的な比較であり、ジャンルや音域をまたぐ普遍的な SOTA という評価ではない。

なぜ音源分離が採譜研究に登場するのか

この研究は Charlie Parker Omnibook の再構築を支えるもので、歴史的なジャズ録音を分離してから FiloSax で採譜する。音源分離は前処理段階に当たる。高音域、金管のユニゾン、強い残響、歪んだギターは依然として難しく、漏れは後段での音符の欠落やオンセット誤りと併せて読む必要がある。