Модель
Модель саксофона Demucs v3: 14,22 дБ і вузька смуга A/B
Розділення інструментів/Технічні примітки
Розділення інструментів/Технічні примітки
РОЗДІЛЕННЯ ІНСТРУМЕНТІВ / ТЕХНІЧНА НОТАТКА
Саксофон не займає стабільну смугу частот. Основні тони, шум тростини, гармоніки та хвости реверберації приміщення перекриваються з вокалом, мідними духовими й перевантаженими гітарами. Цінність чекпойнта зумовлена розподілом тренувальних даних, а не написаним вручну смуговим фільтром.
Для x=s_sax+s_back кодер зменшує часову роздільність, вузьке місце послідовності обмінюється далеким контекстом, а декодер підвищує роздільність двох оцінок. Компактна цільова функція навчання має вигляд:
L = ||ŝ_sax-s_sax||₁ + ||ŝ_back-s_back||₁ + λ||ŝ_sax+ŝ_back-x||₁
Член узгодженості запобігає втраті енергії міксу. У високому регістрі, за довгої реверберації та на протяжних нотах, що збігаються з провідним вокалом, усе ще можливе проникнення сигналу — звіт про модель також визнає ці обмеження.
Опублікований результат становить близько 14.22 dB SDR на вузькому наборі джазового саксофона проти приблизно 14.03 dB у наведеного комерційного базового рішення Wind. Невелика різниця та перекриття діапазонів мінливості дозволяють лише вузьке порівняння в межах однієї таблиці, а не універсальний статус SOTA для всіх жанрів і регістрів.
Робота допомагає відтворити Charlie Parker Omnibook: історичні записи розділяють перед транскрипцією за допомогою FiloSax. Високий регістр, унісони мідних духових, сильна реверберація та перевантажені гітари залишаються складними, тому проникнення сигналу слід оцінювати разом із пропусками нот і помилками початку звучання на наступному етапі.
Спеціалізована модель для саксофона зберігає кодер хвильової форми, вузьке місце послідовності та декодер Demucs v3, але її переваги походять від вужчого джерела: дані FiloSax і цільова функція для саксофона зосереджують місткість на шумі тростини, гармоніках, глісандо та перекритті з акомпанементом. Назва файлу чекпойнта фіксує 14.22 dB SDR, а картка моделі називає високий регістр слабким місцем.
Стаття вбудовує розділення в дослідницький ланцюжок Charlie Parker і Omnibook: виділити саксофон з історичних джазових записів, а потім транскрибувати його за допомогою FiloSax. Розділення є попереднім етапом. Результат LALAL.AI Wind у 14.03 dB наведено в тій самій таблиці; невелика різниця дає підстави для порівняння, але не для широкого твердження про перемогу.
[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)Eкодер хвильової формиBдвоспрямоване вузьке місце послідовностіDдекодер цільового stemКодер стискає хвильову форму, вузьке місце послідовності обмінюється довгим контекстом, а два шляхи декодера відновлюють саксофон і акомпанемент. Спеціалізовані дані зосереджують місткість на шумі тростини, глісандо та перекритті з джазовим акомпанементом.
Рядки 14.22 і 14.03 dB використовують один вузький тестовий набір зі статті й відрізняються лише на 0.19 dB. Високий регістр, унісони мідних духових і перевантажена гітара досі потребують A/B-тестування для кожного каталогу.
Статтю, код і ваги можна простежити за посиланнями Ваги Demucs v3 для саксофона / Звіт про розділення саксофона / Вихідний код Demucs.
Кожен рядок зберігає архітектуру джерела, метрику або визначення завдання; результати без спільного протоколу залишаються окремими.
| Модель | Архітектура або доказ | Межі застосування |
|---|---|---|
| Demucs v3 + FiloSax | 14.22 dB SDR | рядок спеціалізованої моделі в таблиці статті |
| LALAL.AI Wind | 14.03 dB SDR | комерційне базове рішення в тій самій таблиці |
| Mega53 saxophone | немає відповідного значення в таблиці | лише слухове порівняння на тому самому треку |
Високі ноти, сильна реверберація, унісони мідних духових і перевантажена гітара часто спричиняють проникнення сигналу. Крім SDR, варто перевіряти пом’якшені атаки, залишковий саксофон в акомпанементі та узгодженість міксу після підсумовування stem.
Mega53 saxophone дає змогу провести слухове порівняння на тому самому треку, але не має рядка в таблиці статті. Вибір моделі слід переглядати для кожного каталогу й регістру інструмента.
У тестовому матеріалі переважає джазовий саксофон, тому він не представляє всі жанри, ланцюжки ефектів або регістри саксофона. Опубліковане відхилення також свідчить про значну мінливість між треками.
Спеціалізоване розділення змінює хвильову форму й не є криміналістичним відновленням. Для реміксів або роботи з наборами даних слід зберігати оригінали та записи про обробку.
Назви моделей, числа й обмеження походять із наведених нижче статей, репозиторіїв або карток моделей.