Demucs v3 saksofonmodell: 14,22 dB og smalbånd A/B

INSTRUMENTSEPARASJON / TEKNISK NOTAT

Saksofonen ligger ikke i et stabilt frekvensbånd. Grunntoner, rørbladstøy, harmoniske overtoner og romklangens haler overlapper med vokal, messingblåsere og forvrengte gitarer. Verdien til dette kontrollpunktet kommer fra treningsfordelingen, ikke fra et håndskrevet båndpassfilter.

Rekonstruksjon av bølgeformen

For x=s_sax+s_back reduserer en enkoder den tidsmessige oppløsningen, en sekvensflaskehals utveksler langtrekkende kontekst, og dekoderen oppskalerer to estimater. Et kompakt treningsmål er:

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

Konsistensleddet motvirker at energi fra miksen forsvinner. Høye registre, lang etterklang og vedvarende toner som sammenfaller med en hovedvokal, kan fortsatt lekke — begrensninger som er anerkjent i modellrapporten.

Å holde 14.22 dB innenfor riktig ramme

Det rapporterte resultatet er omtrent 14.22 dB SDR på et smalt datasett med jazzsaksofon, mot omtrent 14.03 dB for den oppgitte kommersielle referansen Wind. Den lille forskjellen og overlappende variasjonen støtter en avgrenset sammenligning i den samme tabellen, ikke en universell SOTA-betegnelse på tvers av sjangre og registre.

Hvorfor separasjon inngår i en transkripsjonsstudie

Arbeidet støtter rekonstruksjonen av Charlie Parker Omnibook: historiske opptak separeres før de transkriberes med FiloSax. Separasjon er et forberedende trinn. Høyt register, unison messing, kraftig etterklang og forvrengte gitarer er fortsatt krevende, så lekkasje må vurderes sammen med uteblitte noter og feil i toneanslag i neste ledd.

Fra faste kilder til betinget separasjon

Saksofonspecialisten beholder Demucs v3 sin bølgeformenkoder, sekvensflaskehals og dekoder, men gevinstene kommer fra en smalere datakilde: FiloSax-data og et saksofonspesifikt mål konsentrerer kapasiteten om rørbladstøy, harmoniske overtoner, glidetoner og overlapping med akkompagnement. Filnavnet til kontrollpunktet registrerer 14.22 dB SDR, og modellkortet fremhever det høye registeret som en svakhet.

Artikkelen plasserer separasjon i en forskningskjede rundt Charlie Parker og Omnibook: saksofonen isoleres fra historiske jazzopptak og transkriberes deretter med FiloSax. Separasjon er et trinn i forkant. Resultatet på 14.03 dB for LALAL.AI Wind står i samme tabell; den lille forskjellen støtter en sammenligning, ikke en vidtrekkende påstand om seier.

**Demucs' offisielle Hybrid Transformer-arkitektur**Grenene for bølgeform og spektrogram, Transformer-enkodere på tvers av domener og dekodere kommer fra det opprinnelige Demucs-repositoriet.Offisiell kilde: demucs.png

Slik rekonstruerer en bølgeformenkoder to spor

[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)

Ebølgeformenkoder
Btoveis sekvensflaskehals
Ddekoder for målsporet

Enkoderen komprimerer bølgeformen, en sekvensflaskehals utveksler lang kontekst, og to dekoderbaner rekonstruerer saksofon og akkompagnement. Spesialistdata konsentrerer kapasiteten om rørbladstøy, glidetoner og overlapping med jazzakkompagnement.

Radene med 14.22 og 14.03 dB deler ett smalt testsett fra artikkelen og skiller bare 0.19 dB. Høyt register, unison messing og forvrengt gitar krever fortsatt A/B-testing på katalogen.

Artikkelen, koden og vektene kan følges gjennom Demucs v3-vekter for saksofon / rapport om saksofonseparasjon / Demucs-kildekode.

**Offisiell etterfølgende sammenligning av saksofonnotasjon**Fasit står i øvre notesystem og transkripsjonen i nedre; dette viser etterfølgende kontroll etter separasjon, ikke et separasjonsspektrogram.Offisiell kilde: 3RfYc-Marmaduke-b1-7.png / figur med bildeteksten Marmaduke i artikkelen

Fuglepoengsammenligningen av saksofontranskripsjonspapiret: den øvre raden er den sanne verdien, den nedre raden er transkripsjonsresultatet, inkludert trillinger og akkordmerker — **Papir Figur 2: Fugletranskripsjonskontrollen**Samme format som det forrige: sannhetsverdi på øverste linje, transkripsjon på nederste linje. Vær oppmerksom på de triplett-tette målene - rask legato er der separasjonsfeil mest sannsynlig vil bli forsterket av transkripsjon, og forskjellen mellom de to linjene bør finnes her først.Offisiell kilde: vRfYc-TheBird-b41-both.png / papirfigur med teksten The Bird

Sammenlignbare resultater med én spordefinisjon

Hver rad beholder arkitekturen, måleverdien eller oppgavedefinisjonen fra sin kilde; resultater uten en felles protokoll holdes atskilt.

Modell	Arkitektur eller dokumentasjon	Omfang
Demucs v3 + FiloSax	14.22 dB SDR	spesialistrad i tabellen fra artikkelen
LALAL.AI Wind	14.03 dB SDR	kommersiell referanse i samme tabell
Mega53 saxophone	ingen tilsvarende tabellverdi	kun lyttesammenligning på samme spor

Lytting på spor og konsistens med miksen

Høye toner, kraftig etterklang, unison messing og forvrengt gitar er vanlige tilfeller av lekkasje. I tillegg til SDR bør man se etter svekkede anslag, saksofonrester i akkompagnementet og konsistens med miksen når sporene summeres.

Mega53 saxophone kan gi en lyttesammenligning på samme spor, men har ingen rad i tabellen fra artikkelen. Modellvalget bør vurderes på nytt for hver katalog og hvert instrumentregister.

Grensene for datasettets spordefinisjon

Testmaterialet er dominert av jazzsaksofon og representerer ikke alle sjangre, effektkjeder eller saksofonregistre. Det rapporterte avviket viser også betydelig variasjon mellom spor.

Spesialistseparasjon endrer bølgeformen og er ikke en kriminalteknisk rekonstruksjon. Ta vare på originaler og behandlingslogger ved remiksing eller arbeid med datasett.

Artikler og offentlige filer for Demucs v3-vekter til saksofon

Modellnavn, tall og begrensninger kan spores til artiklene, repositoriene eller modellkortene nedenfor.