Separacja dźwięku sterowana tekstem i nagraniem referencyjnym (AudioSep-Hive)

Q: Co to jest Separacja dźwięku sterowana tekstem i nagraniem referencyjnym (AudioSep-Hive)?

Wyodrębnia dowolnie opisany dźwięk za pomocą AudioSep-Hive, FlowSep-Hive lub CLAPSep albo izoluje w Banquet źródło zgodne z 10-sekundową referencją.; WAV

Q: Dla kogo Separacja dźwięku sterowana tekstem i nagraniem referencyjnym (AudioSep-Hive)?

Separacja i stem rozłam Wyodrębnia dowolnie opisany dźwięk za pomocą AudioSep-Hive, FlowSep-Hive lub CLAPSep albo izoluje w Banquet źródło zgodne z 10-sekundową referencją.; WAV

Q: W jakich zadaniach może Separacja dźwięku sterowana tekstem i nagraniem referencyjnym (AudioSep-Hive) 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; AudioSep-Hive; FlowSep-Hive

Q: Które modele i jednostki słów kluczowych są powiązane z Separacja dźwięku sterowana tekstem i nagraniem referencyjnym (AudioSep-Hive)?

AudioSep-Hive, FlowSep-Hive, CLAPSep, Banquet, Hive source (pinned), AudioSep-Hive weights (pinned), FlowSep-Hive weights (pinned), Hive paper

Modele, parametry i źródła

AudioSep-HiveFlowSep-HiveCLAPSepBanquetHive source (pinned)AudioSep-Hive weights (pinned)FlowSep-Hive weights (pinned)Hive paperCLAPSep source (pinned)Official CLAPSep Space artifacts (pinned)CLAPSep paperBanquet source (pinned)

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.

Wykres referencyjny: Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

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

Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

Hive paper, main test table

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	SI-SDR (dB) ↑	Szczegółowe metryki
#1	Zbiór testowy Hive	AudioSep-HiveTelkNetHive paper	5.02Najlepszy	SDR (dB) ↑5.67NajlepszyLPAPS ↓3.86NajlepszyFAD ↓0.80NajlepszyCLAP-Audio ↑0.65NajlepszyCLAP-T ↑0.31NajlepszyMUSHRA ↑68.40NajlepszyOQ ↑3.34NajlepszyRec ↑4.81Pre ↑3.40NajlepszyFai ↑4.39
#2	Zbiór testowy Hive	AudioSep (original)Hive paper	1.58	SDR (dB) ↑2.37LPAPS ↓4.22FAD ↓0.90CLAP-Audio ↑0.57CLAP-T ↑0.26MUSHRA ↑60.90OQ ↑2.94Rec ↑4.86NajlepszyPre ↑2.96Fai ↑4.47Najlepszy

Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

Hive paper, main test table

Źródła używają różnych warunków treningu lub zadań, więc liczby należy porównywać tylko w obrębie podanego protokołu.

Sprawdzono źródła publiczne: 2026-09-10

Warunek testu	Model	FAD ↓	Szczegółowe metryki
Wynik separacji · test Hive	AudioSep-HiveTelkNetHive paper	0.80	SDR (dB) ↑5.67SI-SDR (dB) ↑5.02LPAPS ↓3.86CLAP-Audio ↑0.65CLAP-T ↑0.31MUSHRA ↑68.40OQ ↑3.34Rec ↑4.81Pre ↑3.40Fai ↑4.39
Wynik generatywny · test Hive	FlowSep-HiveTelkNetHive paper	0.84	LPAPS ↓4.25CLAP-Audio ↑0.61CLAP-T ↑0.19MUSHRA ↑61.80OQ ↑3.05Rec ↑4.18Pre ↑3.35Fai ↑3.70

Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

CLAPSep paper, Table V

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

Sprawdzono źródła publiczne: 2026-09-10

± oznacza odchylenie standardowe.

Stopień	Warunek testu	Model	SDRi (dB) ↑	Szczegółowe metryki
#3	2 źródła · 1 cel	AudioSepCLAPSep paper Table V	8.60 ± 8.86	SI-SDRi (dB) ↑7.38 ± 9.48
#2	2 źródła · 1 cel	CLAPSep-PTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	10.03 ± 11.27	SI-SDRi (dB) ↑8.70 ± 12.64
#1	2 źródła · 1 cel	CLAPSep-PNTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	12.67 ± 7.80Najlepszy	SI-SDRi (dB) ↑11.79 ± 8.23Najlepszy
#3	3 źródła · 1 cel	AudioSepCLAPSep paper Table V	4.90 ± 6.13	SI-SDRi (dB) ↑4.20 ± 6.42
#2	3 źródła · 1 cel	CLAPSep-PTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	6.48 ± 7.82	SI-SDRi (dB) ↑5.73 ± 8.50
#1	3 źródła · 1 cel	CLAPSep-PNTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	8.96 ± 6.13Najlepszy	SI-SDRi (dB) ↑8.09 ± 6.17Najlepszy
#3	3 źródła · 2 cele	AudioSepCLAPSep paper Table V	5.30 ± 5.38	SI-SDRi (dB) ↑2.96 ± 5.54
#2	3 źródła · 2 cele	CLAPSep-PTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	6.35 ± 7.36	SI-SDRi (dB) ↑4.88 ± 8.10
#1	3 źródła · 2 cele	CLAPSep-PNTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	8.90 ± 5.78Najlepszy	SI-SDRi (dB) ↑7.82 ± 6.32Najlepszy
#3	4 źródła · 1 cel	AudioSepCLAPSep paper Table V	3.52 ± 5.21	SI-SDRi (dB) ↑2.81 ± 5.76
#2	4 źródła · 1 cel	CLAPSep-PTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	5.94 ± 7.58	SI-SDRi (dB) ↑4.85 ± 8.29
#1	4 źródła · 1 cel	CLAPSep-PNTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	7.73 ± 5.79Najlepszy	SI-SDRi (dB) ↑6.80 ± 6.00Najlepszy
#3	4 źródła · 2 cele	AudioSepCLAPSep paper Table V	2.37 ± 4.26	SI-SDRi (dB) ↑0.65 ± 4.32
#2	4 źródła · 2 cele	CLAPSep-PTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	2.91 ± 5.54	SI-SDRi (dB) ↑1.37 ± 5.98
#1	4 źródła · 2 cele	CLAPSep-PNTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	5.20 ± 4.63Najlepszy	SI-SDRi (dB) ↑4.01 ± 4.95Najlepszy
#3	4 źródła · 3 cele	AudioSepCLAPSep paper Table V	4.20 ± 4.51	SI-SDRi (dB) ↑2.03 ± 4.27
#2	4 źródła · 3 cele	CLAPSep-PTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	5.34 ± 6.70	SI-SDRi (dB) ↑3.79 ± 7.09
#1	4 źródła · 3 cele	CLAPSep-PNTelkNetOdpowiadający model narzędzia: CLAPSepCLAPSep paper Table V	8.00 ± 4.87Najlepszy	SI-SDRi (dB) ↑6.73 ± 5.20Najlepszy

Notatki z artykułu i benchmarków

A Semantically Consistent Dataset for Data-Efficient Query-Based Universal Sound Separation

ICML - 2026

Paper

CLAPSep: Leveraging Contrastive Pre-trained Model for Multi-Modal Query-Conditioned Target Sound Extraction

IEEE/ACM TASLP - 2024

Paper

A Stem-Agnostic Single-Decoder System for Music Source Separation Beyond Four Stems

ISMIR - 2024

Paper

Oficjalne / repozytoria

Hive source (pinned)AudioSep-Hive weights (pinned)FlowSep-Hive weights (pinned)CLAPSep source (pinned)Official CLAPSep Space artifacts (pinned)Banquet source (pinned)Official Banquet checkpoint

Artykuły / notatki techniczne

Hive paper CLAPSep paper Banquet paper

Przewodnik po parametrach

Opisz dźwięk do wyodrębnienia; AudioSep-Hive i FlowSep-Hive wymagają tego pola.
W CLAPSep wybierz dodatni tekst, dźwięk referencyjny lub oba.
Opisz dźwięk docelowy, który CLAPSep ma zachować.
Opcjonalnie opisz dźwięk, który CLAPSep ma stłumić.
Prześlij nagranie będące przykładem dźwięku docelowego.
Opcjonalnie prześlij przykład dźwięku do stłumienia.
Prześlij referencję Banquet. Oficjalny kontrakt używa 10-sekundowego fragmentu zapytania.
Kroki generowania FlowSep-Hive. Oficjalna wartość to 20; więcej kroków trwa dłużej.
Skala classifier-free guidance FlowSep-Hive. Oficjalna wartość to 1,0.
Rozmiar partii pasm zapytania Banquet. Oficjalna wartość inferencji to 12.

Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

Modele, parametry i źródła

AudioSep-Hive

FlowSep-Hive

CLAPSep

Banquet

Wykres referencyjny: Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

Separacja dźwięku sterowana tekstem i nagraniem referencyjnym

Notatki z artykułu i benchmarków

A Semantically Consistent Dataset for Data-Efficient Query-Based Universal Sound Separation

CLAPSep: Leveraging Contrastive Pre-trained Model for Multi-Modal Query-Conditioned Target Sound Extraction

A Stem-Agnostic Single-Decoder System for Music Source Separation Beyond Four Stems

Oficjalne / repozytoria

Artykuły / notatki techniczne

Przewodnik po parametrach

Przepływ pracy

Przed wysłaniem

Szybka opinia