BandIt 与 TIGER-DnR：影视三轨分离的计算分配之争

4. BandIt 与 TIGER 如何分配频带计算

电影与电视母版通常由对白、音乐和效果声共同构成，早期公开研究缺少可训练的独立 stem。Divide and Remaster 数据集与挑战把目标固定为 dialogue、music、effects，使团队能够在同一协议上研究三分离。这里的 effects 是除对白和音乐之外的宽容器，包含环境、拟音、车辆、掌声等异质声音。

共同数据集带来了可比性，也把任务边界固定在数据制作方式上。影视对白常经过降噪和响度自动化，配乐可能被对白侧链压低，效果声又与房间混响共享空间。数据集中 stem 的定义与真实发行母版的制作链并不完全相同，模型学习的是该协议下的分解。

BandIt 为不同频区安排不同的表示容量

均匀频谱把每个频点当成相同单位，可对白基频、配乐和高频瞬态的统计结构差异很大。BandIt 将复数频谱划分为非均匀频带，在频带内部提取局部模式，再沿频带与时间交换信息。低频可以获得更细的谐波描述，高频则用更宽的带覆盖稀疏能量。

掩码估计后仍要恢复完整复数谱。只预测幅度会沿用混合相位，强重叠处容易残留；复数掩码能同时修正实部与虚部，训练与重建更难。频带模型的优势来自更适合音频统计的 token 化，不是把高频或安静声音删掉。

TIGER 把长序列的成本压回可训练范围

长电影片段在时间与频率两轴产生大量 token，全局注意力的成本随序列长度快速增长。TIGER 路线使用更紧凑的频带和交错序列模块，在局部声学结构与长时间上下文之间传递信息，目标是在较少参数和计算下保持分离质量。它回答的是效率问题，公开实验未必与 BandIt 的每一行数字共享同一协议。

效率比较要同时保留音频长度、采样率、模型规模、实时因子和设备。短片段吞吐量无法说明整集节目上的内存峰值，参数少也不等于所有算子都快。缺少同表结果时，把 TIGER 的效率证据单列比补造一个名次更准确。

三轨平均分会掩盖对白边缘和环境连续性

SI-SDR 允许对估计信号做尺度对齐，再比较目标与误差能量，适合消除整体增益差异。它把一段长音频压成数值，无法直接说明齿音是否受损、对白尾音是否进入音乐轨，也无法说明脚步与房间底噪是否在 effects 中连续。局部听感问题可能只占少量时间而被平均。

DnR v2 上的同协议数字可以比较模型在该测试集上的整体表现。换成 5.1 声道折叠、强限幅版本或对白配乐高度相关的母版，排序可能变化。技术文章应把表格留在来源协议内，再用具体声学现象解释分数没有覆盖的部分。

论文架构、作者权重与社区训练需要分别署名

BandIt 或 TIGER 的论文定义网络结构和实验，官方仓库说明作者公开的实现，release 或模型卡才说明哪些 checkpoint 实际可下载。社区训练框架可以复用网络类，换用自己的数据、增广、损失和推理配置生成新权重。模型名称相同，来源层级仍然不同。

影视数据尤其容易出现私有训练集。广播母版、对白分轨和效果素材受版权限制，社区模型可能只公开权重而无法公开全部数据。这样的模型可以实际使用，却无法从论文架构名推断训练内容。介绍时标注训练者与来源，比笼统写“官方模型”更准确。

checkpoint 还可能针对 dialogue、music、effects 的不同损失权重微调。有的版本重视对白干净，有的保留更多环境尾音，平均 SI-SDR 接近，制作取向却不同。平台调节 overlap、TTA 或 ensemble 后得到的结果属于新的推理配置，也应留有版本记录。

这段历史由可追踪的产物关系组成：论文提出方法，代码把结构变成可训练实现，训练配置与数据产生权重，推理参数再决定最终波形。每一层都有自己的作者与证据，不能由最上游论文统一代签。