Demucs v3 แซ็กโซโฟนรุ่น: 14.22 dB และย่านความถี่แคบ A/B

การแยกเครื่องดนตรี / บันทึกทางเทคนิค

แซกโซโฟนไม่ได้อยู่ในย่านความถี่ที่คงที่ ความถี่มูลฐาน เสียงลิ้น ฮาร์มอนิก และหางเสียงก้องของห้องล้วนทับซ้อนกับเสียงร้อง เครื่องทองเหลือง และกีตาร์ที่ใส่เสียงแตก คุณค่าของ checkpoint นี้มาจากการกระจายตัวของข้อมูลฝึก ไม่ใช่ฟิลเตอร์ผ่านย่านที่เขียนขึ้นเอง

การสร้างรูปคลื่นกลับคืน

สำหรับ x=s_sax+s_back ตัวเข้ารหัสจะลดอัตราตามแกนเวลา คอขวดลำดับแลกเปลี่ยนบริบทระยะไกล และตัวถอดรหัสจะเพิ่มความละเอียดให้ค่าประมาณสองค่า เขียนวัตถุประสงค์การฝึกแบบกระชับได้ดังนี้:

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

พจน์ความสอดคล้องช่วยไม่ให้พลังงานจากเสียงผสมสูญหาย เสียงในช่วงสูง เสียงก้องยาว และโน้ตค้างที่เกิดพร้อมกับเสียงร้องนำยังคงรั่วข้ามแทร็กได้ ซึ่งเป็นข้อจำกัดที่รายงานของโมเดลยอมรับไว้เช่นกัน

กำหนดขอบเขตของ 14.22 dB ให้ถูกต้อง

ผลที่รายงานคือ SDR ประมาณ 14.22 dB บนชุดข้อมูลแซกโซโฟนแจ๊สขอบเขตแคบ เทียบกับประมาณ 14.03 dB ของเกณฑ์อ้างอิงเชิงพาณิชย์ Wind ที่บทความอ้างถึง ช่องว่างเล็กน้อยและช่วงความแปรปรวนที่ทับซ้อนกันรองรับเพียงการเปรียบเทียบในตารางเดียวกันอย่างจำกัด ไม่ใช่ป้าย SOTA แบบครอบจักรวาลสำหรับทุกแนวเพลงและทุกช่วงเสียง

เหตุใดการแยกเสียงจึงอยู่ในงานศึกษาการถอดโน้ต

งานนี้สนับสนุนการสร้าง Charlie Parker Omnibook ขึ้นใหม่ โดยแยกเสียงจากบันทึกเสียงในอดีตก่อนถอดโน้ตด้วย FiloSax ช่วงเสียงสูง การเล่นพร้อมกันของเครื่องทองเหลือง เสียงก้องหนัก และกีตาร์ที่ใส่เสียงแตกยังเป็นกรณียาก จึงต้องพิจารณาเสียงรั่วควบคู่กับโน้ตที่ตกหล่นและข้อผิดพลาดของจังหวะเริ่มเสียงในขั้นตอนถัดไป