Model
Model saksofonu Demucs v3: 14,22 dB i wąskopasmowy A/B
Podział instrumentów/Uwagi techniczne
Podział instrumentów/Uwagi techniczne
SEPARACJA INSTRUMENTÓW / NOTA TECHNICZNA
Saksofon nie zajmuje stałego pasma częstotliwości. Tony podstawowe, szum stroika, harmoniczne i wybrzmienia pomieszczenia nakładają się na wokal, instrumenty dęte blaszane i przesterowane gitary. Wartość tego punktu kontrolnego wynika z rozkładu danych treningowych, a nie z ręcznie zaprojektowanego filtra pasmowoprzepustowego.
Dla x=s_sax+s_back enkoder zmniejsza rozdzielczość czasową, wąskie gardło sekwencyjne wymienia kontekst dalekiego zasięgu, a dekoder zwiększa próbkowanie dwóch oszacowań. Zwięzła funkcja celu treningowego ma postać:
L = ||ŝ_sax-s_sax||₁ + ||ŝ_back-s_back||₁ + λ||ŝ_sax+ŝ_back-x||₁
Składnik spójności ogranicza utratę energii miksu. Wysokie rejestry, długi pogłos i podtrzymywane dźwięki zbiegające się z głównym wokalem nadal mogą przeciekać — ograniczenia te odnotowano w raporcie modelu.
Zgłoszony wynik to około 14.22 dB SDR na wąskim zbiorze jazzowo-saksofonowym, wobec około 14.03 dB dla przytoczonej komercyjnej linii bazowej Wind. Niewielka różnica i nakładająca się zmienność uzasadniają ograniczone porównanie w obrębie tej samej tabeli, a nie miano uniwersalnego SOTA dla różnych gatunków i rejestrów.
Praca wspiera rekonstrukcję Charlie Parker Omnibook: nagrania historyczne są rozdzielane przed transkrypcją przez FiloSax. Separacja jest etapem poprzedzającym. Wysoki rejestr, unisona instrumentów dętych blaszanych, silny pogłos i przesterowane gitary nadal sprawiają trudność, dlatego przecieki trzeba analizować razem z późniejszymi pominięciami nut i błędami początku dźwięku.
Specjalistyczny model saksofonu zachowuje enkoder przebiegu falowego, wąskie gardło sekwencyjne i dekoder Demucs v3, lecz poprawa wynika z węższego źródła danych: dane FiloSax i cel specyficzny dla saksofonu skupiają pojemność modelu na szumie stroika, harmonicznych, glissandach i nakładaniu się akompaniamentu. Nazwa pliku punktu kontrolnego zapisuje 14.22 dB SDR, a karta modelu wskazuje wysoki rejestr jako słabość.
Artykuł umieszcza separację w łańcuchu badań nad Charlie Parkerem i Omnibookiem: najpierw izoluje się saksofon z historycznych nagrań jazzowych, a następnie wykonuje transkrypcję przy użyciu FiloSax. Separacja jest etapem wejściowym. Wynik LALAL.AI Wind wynoszący 14.03 dB widnieje w tej samej tabeli; niewielka różnica pozwala na porównanie, lecz nie na ogólne ogłoszenie zwycięstwa.
[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)Eenkoder przebiegu falowegoBdwukierunkowe wąskie gardło sekwencyjneDdekoder docelowego stemuEnkoder kompresuje przebieg falowy, wąskie gardło sekwencyjne wymienia długi kontekst, a dwie ścieżki dekodera rekonstruują saksofon i akompaniament. Dane specjalistyczne skupiają pojemność na szumie stroika, glissandach i nakładaniu się jazzowego akompaniamentu.
Wiersze z wynikami 14.22 i 14.03 dB korzystają z jednego wąskiego zbioru testowego artykułu i różnią się zaledwie o 0.19 dB. Wysoki rejestr, unisona instrumentów dętych blaszanych i przesterowana gitara nadal wymagają testów A/B na katalogu.
Artykuł, kod i wagi można znaleźć jako wagi Demucs v3 dla saksofonu / raport o separacji saksofonu / kod źródłowy Demucs.
Każdy wiersz zachowuje architekturę, metrykę lub definicję zadania ze swojego źródła; wyniki bez wspólnego protokołu pozostają rozdzielone.
| Model | Architektura lub dowód | Zakres |
|---|---|---|
| Demucs v3 + FiloSax | 14.22 dB SDR | wiersz modelu specjalistycznego w tabeli artykułu |
| LALAL.AI Wind | 14.03 dB SDR | komercyjna linia bazowa w tej samej tabeli |
| Mega53 saxophone | brak odpowiadającej wartości tabelarycznej | wyłącznie porównanie odsłuchowe na tym samym utworze |
Wysokie dźwięki, silny pogłos, unisona instrumentów dętych blaszanych i przesterowana gitara są częstymi przypadkami przecieku. Oprócz SDR należy sprawdzić zmiękczone ataki, ślady saksofonu w akompaniamencie oraz spójność z miksem po zsumowaniu stemów.
Mega53 saxophone może służyć do porównania odsłuchowego na tym samym utworze, ale nie ma wiersza w tabeli artykułu. Wybór modelu należy ponownie oceniać dla każdego katalogu i rejestru instrumentu.
Materiał testowy jest zdominowany przez jazzowy saksofon i nie reprezentuje każdego gatunku, łańcucha efektów ani rejestru saksofonu. Zgłoszone odchylenie wskazuje też na znaczną zmienność między utworami.
Separacja specjalistyczna zmienia przebieg falowy i nie stanowi rekonstrukcji kryminalistycznej. Przy remiksowaniu lub pracy nad zbiorem danych należy zachować oryginały i dokumentację przetwarzania.
Nazwy modeli, wartości i ograniczenia można prześledzić w poniższych artykułach, repozytoriach lub kartach modeli.