Модель саксофона Demucs v3: 14,22 дБ и узкополосный диапазон A/B

РАЗДЕЛЕНИЕ ИНСТРУМЕНТОВ / ТЕХНИЧЕСКАЯ ЗАМЕТКА

Саксофон не занимает стабильную полосу частот. Основные тоны, шум трости, гармоники и хвосты комнатной реверберации пересекаются с вокалом, медными духовыми и перегруженными гитарами. Ценность этой контрольной точки связана с распределением обучающих данных, а не с написанным вручную полосовым фильтром.

Реконструкция волновой формы

Для x=s_sax+s_back энкодер снижает временное разрешение, последовательное узкое место обменивается дальним контекстом, а декодер повышает частоту дискретизации двух оценок. Компактную целевую функцию обучения можно записать так:

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

Компонент согласованности препятствует потере энергии исходного микса. В верхнем регистре, при длинной реверберации и на выдержанных нотах, совпадающих с ведущим вокалом, утечки всё ещё возможны — эти ограничения отмечены в отчёте о модели.

Как удержать 14.22 dB в заявленных границах

Опубликованный результат составляет около 14.22 dB SDR на узком наборе джазового саксофона против примерно 14.03 dB у приведённой коммерческой базовой системы Wind. Небольшой разрыв и пересекающаяся вариативность позволяют проводить лишь узкое сравнение в пределах одной таблицы, но не присваивать модели универсальный статус SOTA для всех жанров и регистров.

Почему разделение появляется в исследовании транскрипции

Работа помогает реконструировать Charlie Parker Omnibook: исторические записи сначала разделяют, а затем транскрибируют с помощью FiloSax. Разделение служит предшествующим этапом. Верхний регистр, унисоны медных духовых, сильная реверберация и перегруженные гитары по-прежнему сложны, поэтому утечки следует рассматривать вместе с пропусками нот и ошибками атак на следующем этапе.