Demucs v3 薩克斯風專模：14.22 dB 與窄域曲庫 A/B

樂器分離 / 技術筆記

薩克斯風並不是一段固定的頻帶。基頻、簧片噪聲、泛音和空間殘響都會與人聲、銅管及失真吉他重疊。這個 checkpoint 的價值來自訓練資料分布，而不是手寫的帶通濾波器。

對於 x=s_sax+s_back，編碼器會降低時間取樣率，序列瓶頸交換長距離脈絡，再由解碼器上採樣出兩個估計結果。可將訓練目標簡寫為：

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

一致性項可避免混音能量遺失。高音域、長混響，以及與主唱同時延續的音符仍可能產生串音——模型報告也承認這些限制。

論文報告的是窄域爵士薩克斯風資料集上約 14.22 dB 的 SDR，而引用的商用 Wind 基準約為 14.03 dB。兩者差距不大，變異範圍又有重疊，因此只適合在同一張表的窄範圍內比較，不能據此宣稱模型在所有曲風與音域都達到普遍 SOTA。

這項工作用於重建 Charlie Parker Omnibook：先分離歷史錄音，再交給 FiloSax 轉錄。高音域、銅管齊奏、強混響與失真吉他仍然難以處理，因此檢視串音時，也必須一併考慮後續轉錄的漏音與起音錯誤。

從固定音源走向條件式分離

這個薩克斯風專模保留 Demucs v3 的波形編碼器、序列瓶頸與解碼器，但效能提升來自更窄的音源範圍：FiloSax 資料與薩克斯風專用目標，讓模型容量集中在簧片噪聲、泛音、滑音以及與伴奏重疊的情況。Checkpoint 檔名記錄了 14.22 dB SDR，模型卡也將高音域列為弱點。

論文把分離放進 Charlie Parker 與 Omnibook 的研究鏈：先從歷史爵士錄音中抽離薩克斯風，再用 FiloSax 轉錄。分離只是上游步驟。同一張表也列出 LALAL.AI Wind 的 14.03 dB 結果；這個微小差距支持比較，卻不足以宣稱全面勝出。

[ŝ_sax,ŝ_back]=D(B(E(x))), L=Σ_k ℓ(ŝ_k,s_k)

編碼器壓縮波形，序列瓶頸交換長距離脈絡，再由兩條解碼路徑重建薩克斯風與伴奏。專項資料讓模型容量集中在簧片噪聲、滑音和爵士伴奏重疊的情況。

14.22 dB 與 14.03 dB 兩列使用同一篇論文的窄域測試集，差距只有 0.19 dB。高音域、銅管齊奏與失真吉他仍需針對曲庫進行 A/B 測試。

可循 Demucs v3 薩克斯風權重 / 薩克斯風分離報告 / Demucs 原始碼查閱論文、程式碼與權重。

每一列都保留原有的架構、指標或任務定義；未採用共同協議的結果仍分開呈現。

高音、強混響、銅管齊奏與失真吉他都很容易發生串音。除了 SDR，還要檢查起音是否變鈍、伴奏中是否留下薩克斯風殘影，以及所有 stem 相加後是否仍與原混音一致。

Mega53 saxophone 可用於同一曲目的聆聽比較，但論文表格中沒有對應數值。每套曲庫與樂器音域都應重新評估模型選擇。

測試材料以爵士薩克斯風為主，無法代表所有曲風、效果鏈或薩克斯風音域。報告中的離差也顯示不同曲目的變異相當明顯。

專項分離會改變波形，並非鑑識式復原。用於再混音或製作資料集時，應保留原始檔案與處理紀錄。

模型名稱、數值與限制均可追溯至下列論文、儲存庫或模型卡。