テキスト・参照音声ガイド音源分離

モデル、パラメータ、ソース

論文およびベンチマークノート

パラメータガイド

• 抽出する音を自然言語で記述します。AudioSep-Hive と FlowSep-Hive では必須です。
• CLAPSep で正のテキスト、参照音声、または両方を選びます。
• CLAPSep が残す対象音を記述します。
• 任意：CLAPSep が抑える音を記述します。
• 対象音の例となる参照音声をアップロードします。
• 任意：抑える音の参照音声をアップロードします。
• Banquet の参照音声をアップロードします。公式仕様は 10 秒のクエリ区間を使います。
• FlowSep-Hive の生成ステップです。公式既定値は 20 で、増やすほど時間がかかります。
• FlowSep-Hive の classifier-free guidance 強度です。公式既定値は 1.0 です。
• Banquet のクエリバンド用バッチサイズです。公式推論既定値は 12 です。