セリフ・音楽・効果音の分離とは何でしょうか?

セリフ・音楽・効果音の分離モデルと処理方法を選択料金、時間、形式、パラメータは選択したモデルによって異なります。

誰のためのセリフ・音楽・効果音の分離?

分離とstem分割セリフ・音楽・効果音の分離モデルと処理方法を選択料金、時間、形式、パラメータは選択したモデルによって異なります。

セリフ・音楽・効果音の分離どんな作業を手伝えるでしょうか?

分離とstem分割; WAV; リミックス、伴奏付き練習、パート別編集に使います。; mp3 / wav / flac / ogg / m4a / aac / aif / aiff / mp4 / mov / mkvなどのフォーマットでの入力をサポートしています。; SFC-Locoformer DnR; BandIt

セリフ・音楽・効果音の分離

Q: セリフ・音楽・効果音の分離とは何でしょうか?

セリフ・音楽・効果音の分離 モデルと処理方法を選択 料金、時間、形式、パラメータは選択したモデルによって異なります。

Q: 誰のためのセリフ・音楽・効果音の分離?

分離とstem分割 セリフ・音楽・効果音の分離 モデルと処理方法を選択 料金、時間、形式、パラメータは選択したモデルによって異なります。

Q: どのモデルやキーワードのエンティティがセリフ・音楽・効果音の分離と関連していますか?

SFC-Locoformer DnR, BandIt, TIGER-DnR, SFC-Locoformer, TIGER, SFC paper, BandIt paper (IEEE OJSP), TIGER paper

モデル、パラメータ、ソース

SFC-Locoformer DnRBandItTIGER-DnRSFC-LocoformerTIGERSFC paperBandIt paper (IEEE OJSP)TIGER paperSFC paper, Table IID3 · mediumPublished DnR Table IITable II

SFC-Locoformer DnR

SFC-Locoformer BandIt TIGER SFC paper

分離プロファイル:SFC-Locoformer DnR がデフォルトのセリフ/音楽/効果音ルートで、BandIt と TIGER-DnR は同じ three-stem タスクの代替チェックポイントです。
動画出力ステム:入力が動画の場合、どの分離ステムを映像と一緒に書き戻すかを選びます。自動ではツールのプライマリステムを使います。

BandIt

SFC-Locoformer BandIt TIGER BandIt paper (IEEE OJSP)

分離プロファイル:SFC-Locoformer DnR がデフォルトのセリフ/音楽/効果音ルートで、BandIt と TIGER-DnR は同じ three-stem タスクの代替チェックポイントです。
動画出力ステム:入力が動画の場合、どの分離ステムを映像と一緒に書き戻すかを選びます。自動ではツールのプライマリステムを使います。

TIGER-DnR

SFC-Locoformer BandIt TIGER TIGER paper

分離プロファイル:SFC-Locoformer DnR がデフォルトのセリフ/音楽/効果音ルートで、BandIt と TIGER-DnR は同じ three-stem タスクの代替チェックポイントです。
動画出力ステム:入力が動画の場合、どの分離ステムを映像と一緒に書き戻すかを選びます。自動ではツールのプライマリステムを使います。

AV-CASS

AV-CASS source and official checkpoint links (pinned)AV-CASS paper

モデル比較

モデル

役割

なぜ使われるのか

出力への影響

スコアは引用元のデータセット、指標、モデル版にのみ対応します。表内の首位は現在の世界一や本サービスでの実測結果を意味しません。比較可能なスコアがなくても、機能や実測を理由に優先できます。

公開リーダーボード:DnR v2 · SI-SDR / 動画の音声・効果音・音楽分離 · AV-CASS

表には、公開ウェイトまたは設定があり、ローカルで実行できるモデルだけを掲載しています。

DnR v2 · SI-SDR

SFC paper, Table II

数値はリンク先の公開資料から引用しています。行にはテストセットまたはチェックポイントを示し、同条件の結果がないモデルは除外しています。

公開資料の確認日：2026-09-10

階級	モデル	SI-SDR (dB) ↑	詳細指標
D3 · medium	SFC-Locoformer DnRTelkNetPublished DnR Table II	11.83最良	DX SNR (dB) ↑16.38最良DX SI-SDR (dB) ↑16.32最良MX SNR (dB) ↑9.70最良MX SI-SDR (dB) ↑9.28最良FX SNR (dB) ↑10.56最良FX SI-SDR (dB) ↑9.88最良平均 SNR (dB)12.21最良パラメータ数 (M)16.00
Table II	BandItTelkNetPublished DnR Table II	10.90	DX SNR (dB) ↑15.70DX SI-SDR (dB) ↑15.60MX SNR (dB) ↑8.70MX SI-SDR (dB) ↑8.00FX SNR (dB) ↑9.80FX SI-SDR (dB) ↑8.20平均 SNR (dB)11.40パラメータ数 (M)37.00

動画の音声・効果音・音楽分離 · AV-CASS

AV-CASS paper, Table 1

公開資料の確認日：2026-09-10

± は 95% 信頼区間を表します。

階級	評価条件	モデル	MOS ↑
#3	実写動画	MRXAV-CASS paper Table 1	2.55 ± 0.10
#2	実写動画	BandItAV-CASS paper Table 1	3.78 ± 0.10
#1	実写動画	AV-CASSAV-CASS paper Table 1	4.13 ± 0.09最良

動画の音声・効果音・音楽分離 · AV-CASS

AV-CASS paper, Table 2

公開資料の確認日：2026-09-10

階級	評価条件	モデル	WPR (%) ↓
#3	台詞（DX）	MRXAV-CASS paper Table 2	2.63
#2	台詞（DX）	BandItAV-CASS paper Table 2	0.60
#4	台詞（DX）	DAVIS-FlowAV-CASS paper Table 2	5.88
#1	台詞（DX）	AV-CASSAV-CASS paper Table 2	0.46最良
#4	効果音（FX）	MRXAV-CASS paper Table 2	33.72
#3	効果音（FX）	BandItAV-CASS paper Table 2	22.41
#1	効果音（FX）	DAVIS-FlowAV-CASS paper Table 2	14.58最良
#2	効果音（FX）	AV-CASSAV-CASS paper Table 2	19.81
#3	音楽（MX）	MRXAV-CASS paper Table 2	6.01
#2	音楽（MX）	BandItAV-CASS paper Table 2	0.35
#4	音楽（MX）	DAVIS-FlowAV-CASS paper Table 2	35.94
#1	音楽（MX）	AV-CASSAV-CASS paper Table 2	0.32最良

動画の音声・効果音・音楽分離 · AV-CASS

AV-CASS paper, Table 3

公開資料の確認日：2026-09-10

階級	評価条件	モデル	FAD ↓	詳細指標
#3	AVDnR 評価条件	Hybrid DemucsAV-CASS paper Table 3	2.05	KL ↓1.03SI-SDRi (dB) ↑13.57PESQ ↑2.16WPR (%) ↓5.24
#4	AVDnR 評価条件	HTDemucsAV-CASS paper Table 3	2.08	KL ↓1.06SI-SDRi (dB) ↑13.41PESQ ↑2.06WPR (%) ↓9.23
#7	AVDnR 評価条件	MRXAV-CASS paper Table 3	3.47	KL ↓1.67SI-SDRi (dB) ↑10.60PESQ ↑1.89WPR (%) ↓14.91
#5	AVDnR 評価条件	BandItAV-CASS paper Table 3	2.15	KL ↓1.14SI-SDRi (dB) ↑14.40最良PESQ ↑2.15WPR (%) ↓4.65
#6	AVDnR 評価条件	MSDMAV-CASS paper Table 3	2.90	KL ↓2.90SI-SDRi (dB) ↑11.63PESQ ↑2.12WPR (%) ↓5.65
#8	AVDnR 評価条件	DAVIS-FlowAV-CASS paper Table 3	5.94	KL ↓1.64SI-SDRi (dB) ↑9.25PESQ ↑1.96WPR (%) ↓12.14
#1	AVDnR 評価条件	AV-CASSAV-CASS paper Table 3	0.84最良	KL ↓0.93最良SI-SDRi (dB) ↑12.32PESQ ↑2.26最良WPR (%) ↓1.84最良
#2	AVDnR 評価条件	AV-CASS audio-only対応するツールのモデル：AV-CASSAV-CASS paper Table 3	1.63	KL ↓1.15SI-SDRi (dB) ↑12.23PESQ ↑2.08WPR (%) ↓2.01

論文およびベンチマークノート

Input-Adaptive Spectral Feature Compression by Sequence Modeling for Source Separation

arXiv - 2026

Paper

A Generalized Bandsplit Neural Network for Cinematic Audio Source Separation

IEEE OJSP - 2024

Paper Source

TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation

arXiv - 2024

Paper Source

Cinematic Audio Source Separation Using Visual Cues

CVPR - 2026

AV-CASS の映像・音声条件を使って動画から音声、効果音、音楽を分離します。音声のみの条件でも直接比較できます。

Paper

公式・リポジトリ

SFC-Locoformer BandIt TIGER AV-CASS source and official checkpoint links (pinned)

論文/技術ノート

SFC paper BandIt paper (IEEE OJSP)TIGER paper AV-CASS paper

パラメータガイド

分離プロファイル:SFC-Locoformer DnR がデフォルトのセリフ/音楽/効果音ルートで、BandIt と TIGER-DnR は同じ three-stem タスクの代替チェックポイントです。
動画出力ステム:入力が動画の場合、どの分離ステムを映像と一緒に書き戻すかを選びます。自動ではツールのプライマリステムを使います。

セリフ・音楽・効果音の分離

モデル、パラメータ、ソース

SFC-Locoformer DnR

BandIt

TIGER-DnR

AV-CASS

モデル比較

公開リーダーボード:DnR v2 · SI-SDR / 動画の音声・効果音・音楽分離 · AV-CASS

DnR v2 · SI-SDR

動画の音声・効果音・音楽分離 · AV-CASS

動画の音声・効果音・音楽分離 · AV-CASS

動画の音声・効果音・音楽分離 · AV-CASS

論文およびベンチマークノート

Input-Adaptive Spectral Feature Compression by Sequence Modeling for Source Separation

A Generalized Bandsplit Neural Network for Cinematic Audio Source Separation

TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation

Cinematic Audio Source Separation Using Visual Cues

公式・リポジトリ

論文/技術ノート

パラメータガイド

ワークフロー

送信前の確認

関連する用途ガイド

ワンクリックフィードバック