Demucs v3 萨克斯专模：14.22 dB 与窄域曲库 A/B

4. 萨克斯分离来自数字人文学的实际需求

爵士研究常需要从历史录音中分析独奏音符、演奏技法与即兴语汇，完整混音却没有独立萨克斯 stem。通用四轨分离只提供 vocals、drums、bass、other，萨克斯仍与钢琴、吉他和铜管留在 other。FiloSax 等专项语料把“萨克斯对伴奏”定义成独立任务，为后续转录与风格研究提供前端。

这条研究线与 Omnibook 一类爵士转录资源相连：先从录音中取得更干净的独奏，再做音高、起音与乐句分析。分离结果服务于音乐学问题，模型是否有用不只取决于平均 SDR，也取决于是否保住装饰音、气声、颤音和快速连奏。

Demucs v3 在波形域怎样分开独奏与伴奏

Demucs 系列使用编码器把波形逐层下采样为长程特征，在瓶颈处建模序列关系，再由解码器和跳跃连接恢复时域信号。跳跃连接保留局部瞬态，深层路径捕捉较长音乐结构。专项训练把输出目标从通用 stem 改为 saxophone 与 accompaniment，使容量围绕一种乐器的声学边界重新分配。

萨克斯具有强谐波、气流噪声和宽动态，频谱会与人声、铜管和失真吉他重叠。时域网络可以直接学习波形相位与瞬态，却仍需要数据告诉它何种音色属于目标。训练集中的演奏者、录音年代和乐器类型会成为模型先验。

14.22 dB 与 14.03 dB 只属于论文那张测试表

论文在相同萨克斯测试条件下报告 Demucs v3 + FiloSax 为 14.22 dB、LALAL.AI Wind 为 14.03 dB。这一差距说明该实验中专项训练达到略高的整体信号失真比，不能扩展为所有歌曲、所有管乐或所有版本的普遍领先。小数点后的差异也可能集中在少数片段。

Mega53 等不同训练来源若没有同协议公开数字，应保留为另一条模型来源，而不插入同一排名。服务名称、模型结构和训练 checkpoint 是三个层级；论文里的 Demucs v3 结构不能为后来所有名为 sax 的社区权重背书。

高音区与铜管齐奏暴露了专项模型的边界

萨克斯高音泛音与小号、失真吉他共享频带，齐奏时仅靠瞬时频谱很难归属。模型会利用音色包络和前后乐句推断目标，因此短切片比完整乐句更容易串音。极弱的气声、按键噪声和房间尾音也可能被当作背景清除。

反过来，伴奏轨里的萨克斯残影会影响后续自动转录，目标轨里残留的钢琴起音又会制造假音符。专项分离的下游价值要结合转录错误类型分析，不能只凭一段听起来更响亮的人声式前景判断。

专项语料如何改变通用 Demucs 的决策边界

通用音乐分离数据把萨克斯放进 other，网络只需把它与人声、鼓和贝斯分开，不必区分萨克斯与钢琴。专项训练提供 saxophone/accompaniment 成对目标后，原先属于同一 stem 的乐器成为正负样本，模型的内部边界随之改变。架构没有换，任务已经完全不同。

真实分轨数量有限，训练常加入随机增益、声像、均衡、压缩与混响增广。增广扩大录音条件，也可能产生不符合爵士混音习惯的组合。若使用合成或 MIDI 渲染补充数据，音色多样性与真实吹奏噪声又会成为短板。

FiloSax 的价值在于为萨克斯研究建立了更明确的数据来源与测试条件。它并不覆盖所有萨克斯类型、演奏技法和年代。高音萨克斯、上低音萨克斯、电子效果与多人铜管编制都可能落在分布边缘。

后续模型若继续在私有或社区数据上训练，应沿用自己的权重名和评测。Demucs v3 描述骨干，FiloSax 描述一套数据与实验，具体 checkpoint 才是可部署产物。把三者区分开，历史发展才不会被缩成一句型号介绍。