Co to jest Oddzielanie dialogów, muzyki i efektów?

Oddzielanie dialogów, muzyki i efektów Wybierz model i tryb przetwarzania Koszt, czas, formaty i parametry zależą od wybranego modelu.

Dla kogo Oddzielanie dialogów, muzyki i efektów?

Separacja i stem rozłam Oddzielanie dialogów, muzyki i efektów Wybierz model i tryb przetwarzania Koszt, czas, formaty i parametry zależą od wybranego modelu.

W jakich zadaniach może Oddzielanie dialogów, muzyki i efektów pomóc?

Separacja i stem rozłam; WAV; Twórz remiksy, ćwicz z akompaniamentem i edytuj osobne partie.; Obsługuje wejścia w formatach takich jak mp3 / wav / flac / ogg / m4a / aac / aif / aiff / mp4 / mov / mkv; SFC-Locoformer DnR; BandIt

Oddzielanie dialogów, muzyki i efektów

Q: Które modele i jednostki słów kluczowych są powiązane z Oddzielanie dialogów, muzyki i efektów?

SFC-Locoformer DnR, BandIt, TIGER-DnR, SFC-Locoformer, TIGER, SFC paper, BandIt paper (IEEE OJSP), TIGER paper

Modele, parametry i źródła

SFC-Locoformer DnRBandItTIGER-DnRSFC-LocoformerTIGERSFC paperBandIt paper (IEEE OJSP)TIGER paperSFC paper, Table IID3 · mediumPublished DnR Table IITable II

SFC-Locoformer DnR

SFC-Locoformer BandIt TIGER SFC paper

Profil separacji: SFC-Locoformer DnR to domyślna trasa dla dialogów/muzyki/efektów; BandIt i TIGER-DnR to alternatywne checkpointy do tego samego zadania three-stem.
Stem wyjściowy wideo: gdy wejściem jest wideo, wybierz, który z rozdzielonych stemów zostanie zapisany razem z obrazem; tryb automatyczny używa głównego stemu narzędzia.

BandIt

SFC-Locoformer BandIt TIGER BandIt paper (IEEE OJSP)

Profil separacji: SFC-Locoformer DnR to domyślna trasa dla dialogów/muzyki/efektów; BandIt i TIGER-DnR to alternatywne checkpointy do tego samego zadania three-stem.
Stem wyjściowy wideo: gdy wejściem jest wideo, wybierz, który z rozdzielonych stemów zostanie zapisany razem z obrazem; tryb automatyczny używa głównego stemu narzędzia.

TIGER-DnR

SFC-Locoformer BandIt TIGER TIGER paper

Profil separacji: SFC-Locoformer DnR to domyślna trasa dla dialogów/muzyki/efektów; BandIt i TIGER-DnR to alternatywne checkpointy do tego samego zadania three-stem.
Stem wyjściowy wideo: gdy wejściem jest wideo, wybierz, który z rozdzielonych stemów zostanie zapisany razem z obrazem; tryb automatyczny używa głównego stemu narzędzia.

AV-CASS

AV-CASS source and official checkpoint links (pinned)AV-CASS paper

Porównanie modeli

Model

Rola

Dlaczego jest używany

Wpływ na produkcję

Wyniki dotyczą wyłącznie wskazanego zbioru danych, miary i wersji. Lider tabeli nie oznacza aktualnego rekordu świata ani wyniku tej usługi. Możliwości i testy mogą uzasadnić wybór modelu bez porównywalnej oceny.

Publiczna tablica wyników: DnR v2 · SI-SDR / Separacja mowy, efektów i muzyki z wideo · AV-CASS

Tabela obejmuje tylko modele z publicznymi wagami lub konfiguracjami, które można uruchomić lokalnie.

DnR v2 · SI-SDR

SFC paper, Table II

Wartości pochodzą z podlinkowanego publicznego źródła. Wiersze podają zbiór testowy lub checkpoint; modele bez porównywalnego wyniku pominięto.

Sprawdzono źródła publiczne: 2026-09-10

Stopień	Model	SI-SDR (dB) ↑	Szczegółowe metryki
D3 · medium	SFC-Locoformer DnRTelkNetPublished DnR Table II	11.83Najlepszy	DX SNR (dB) ↑16.38NajlepszyDX SI-SDR (dB) ↑16.32NajlepszyMX SNR (dB) ↑9.70NajlepszyMX SI-SDR (dB) ↑9.28NajlepszyFX SNR (dB) ↑10.56NajlepszyFX SI-SDR (dB) ↑9.88NajlepszyŚredni SNR (dB)12.21NajlepszyParametry (M)16.00
Table II	BandItTelkNetPublished DnR Table II	10.90	DX SNR (dB) ↑15.70DX SI-SDR (dB) ↑15.60MX SNR (dB) ↑8.70MX SI-SDR (dB) ↑8.00FX SNR (dB) ↑9.80FX SI-SDR (dB) ↑8.20Średni SNR (dB)11.40Parametry (M)37.00

Separacja mowy, efektów i muzyki z wideo · AV-CASS

AV-CASS paper, Table 1

Wartości pochodzą z podlinkowanego publicznego źródła. Wiersze podają zbiór testowy lub checkpoint; modele bez porównywalnego wyniku pominięto.

Sprawdzono źródła publiczne: 2026-09-10

± oznacza 95-procentowy przedział ufności.

Stopień	Warunek testu	Model	MOS ↑
#3	Rzeczywiste wideo	MRXAV-CASS paper Table 1	2.55 ± 0.10
#2	Rzeczywiste wideo	BandItAV-CASS paper Table 1	3.78 ± 0.10
#1	Rzeczywiste wideo	AV-CASSAV-CASS paper Table 1	4.13 ± 0.09Najlepszy

Separacja mowy, efektów i muzyki z wideo · AV-CASS

AV-CASS paper, Table 2

Wartości pochodzą z podlinkowanego publicznego źródła. Wiersze podają zbiór testowy lub checkpoint; modele bez porównywalnego wyniku pominięto.

Sprawdzono źródła publiczne: 2026-09-10

Stopień	Warunek testu	Model	WPR (%) ↓
#3	Dialog (DX)	MRXAV-CASS paper Table 2	2.63
#2	Dialog (DX)	BandItAV-CASS paper Table 2	0.60
#4	Dialog (DX)	DAVIS-FlowAV-CASS paper Table 2	5.88
#1	Dialog (DX)	AV-CASSAV-CASS paper Table 2	0.46Najlepszy
#4	Efekty (FX)	MRXAV-CASS paper Table 2	33.72
#3	Efekty (FX)	BandItAV-CASS paper Table 2	22.41
#1	Efekty (FX)	DAVIS-FlowAV-CASS paper Table 2	14.58Najlepszy
#2	Efekty (FX)	AV-CASSAV-CASS paper Table 2	19.81
#3	Muzyka (MX)	MRXAV-CASS paper Table 2	6.01
#2	Muzyka (MX)	BandItAV-CASS paper Table 2	0.35
#4	Muzyka (MX)	DAVIS-FlowAV-CASS paper Table 2	35.94
#1	Muzyka (MX)	AV-CASSAV-CASS paper Table 2	0.32Najlepszy

Separacja mowy, efektów i muzyki z wideo · AV-CASS

AV-CASS paper, Table 3

Wartości pochodzą z podlinkowanego publicznego źródła. Wiersze podają zbiór testowy lub checkpoint; modele bez porównywalnego wyniku pominięto.

Sprawdzono źródła publiczne: 2026-09-10

Stopień	Warunek testu	Model	FAD ↓	Szczegółowe metryki
#3	Protokół AVDnR	Hybrid DemucsAV-CASS paper Table 3	2.05	KL ↓1.03SI-SDRi (dB) ↑13.57PESQ ↑2.16WPR (%) ↓5.24
#4	Protokół AVDnR	HTDemucsAV-CASS paper Table 3	2.08	KL ↓1.06SI-SDRi (dB) ↑13.41PESQ ↑2.06WPR (%) ↓9.23
#7	Protokół AVDnR	MRXAV-CASS paper Table 3	3.47	KL ↓1.67SI-SDRi (dB) ↑10.60PESQ ↑1.89WPR (%) ↓14.91
#5	Protokół AVDnR	BandItAV-CASS paper Table 3	2.15	KL ↓1.14SI-SDRi (dB) ↑14.40NajlepszyPESQ ↑2.15WPR (%) ↓4.65
#6	Protokół AVDnR	MSDMAV-CASS paper Table 3	2.90	KL ↓2.90SI-SDRi (dB) ↑11.63PESQ ↑2.12WPR (%) ↓5.65
#8	Protokół AVDnR	DAVIS-FlowAV-CASS paper Table 3	5.94	KL ↓1.64SI-SDRi (dB) ↑9.25PESQ ↑1.96WPR (%) ↓12.14
#1	Protokół AVDnR	AV-CASSAV-CASS paper Table 3	0.84Najlepszy	KL ↓0.93NajlepszySI-SDRi (dB) ↑12.32PESQ ↑2.26NajlepszyWPR (%) ↓1.84Najlepszy
#2	Protokół AVDnR	AV-CASS audio-onlyOdpowiadający model narzędzia: AV-CASSAV-CASS paper Table 3	1.63	KL ↓1.15SI-SDRi (dB) ↑12.23PESQ ↑2.08WPR (%) ↓2.01

Notatki z artykułu i benchmarków

Input-Adaptive Spectral Feature Compression by Sequence Modeling for Source Separation

arXiv - 2026

Paper

A Generalized Bandsplit Neural Network for Cinematic Audio Source Separation

IEEE OJSP - 2024

Paper Source

TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation

arXiv - 2024

Paper Source

Cinematic Audio Source Separation Using Visual Cues

CVPR - 2026

Wykorzystuje warunki wizualne i dźwiękowe AV-CASS do rozdzielenia mowy, efektów i muzyki z wideo; dostępne jest też porównanie tylko z dźwiękiem.

Paper

Oficjalne / repozytoria

SFC-Locoformer BandIt TIGER AV-CASS source and official checkpoint links (pinned)

Artykuły / notatki techniczne

SFC paper BandIt paper (IEEE OJSP)TIGER paper AV-CASS paper

Przewodnik po parametrach

Profil separacji: SFC-Locoformer DnR to domyślna trasa dla dialogów/muzyki/efektów; BandIt i TIGER-DnR to alternatywne checkpointy do tego samego zadania three-stem.
Stem wyjściowy wideo: gdy wejściem jest wideo, wybierz, który z rozdzielonych stemów zostanie zapisany razem z obrazem; tryb automatyczny używa głównego stemu narzędzia.

Oddzielanie dialogów, muzyki i efektów

Modele, parametry i źródła

SFC-Locoformer DnR

BandIt

TIGER-DnR

AV-CASS

Porównanie modeli

Publiczna tablica wyników: DnR v2 · SI-SDR / Separacja mowy, efektów i muzyki z wideo · AV-CASS

DnR v2 · SI-SDR

Separacja mowy, efektów i muzyki z wideo · AV-CASS

Separacja mowy, efektów i muzyki z wideo · AV-CASS

Separacja mowy, efektów i muzyki z wideo · AV-CASS

Notatki z artykułu i benchmarków

Input-Adaptive Spectral Feature Compression by Sequence Modeling for Source Separation

A Generalized Bandsplit Neural Network for Cinematic Audio Source Separation

TIGER: Time-frequency Interleaved Gain Extraction and Reconstruction for Efficient Speech Separation

Cinematic Audio Source Separation Using Visual Cues

Oficjalne / repozytoria

Artykuły / notatki techniczne

Przewodnik po parametrach

Przepływ pracy

Przed wysłaniem

Powiązane przewodniki użycia

Szybka opinia