Open-Unmix

# assuming you have a PyTorch >=1.6.0 installed
pip install -q torchaudio
import torch
# loading umxhq four target separator
separator = torch.hub.load('sigsep/open-unmix-pytorch', 'umxhq')
# generate random audio
# ... with shape (nb_samples, nb_channels, nb_timesteps)
# ... and with the same sample rate as that of the separator
audio = torch.rand((1, 2, 100000))
original_sample_rate = separator.sample_rate
# make sure to resample the audio to models' sample rate, separator.sample_rate, if the two are different
# resampler = torchaudio.transforms.Resample(original_sample_rate, separator.sample_rate)
# audio = resampler(audio)
estimates = separator(audio)
# estimates.shape = (1, 4, 2, 100000)
模型描述
Open-Unmix 提供即用型模型,允许用户将流行音乐分离为四个音轨:人声、鼓声、贝斯和其余其他乐器。这些模型在免费提供的 MUSDB18 数据集上进行了预训练。
每个目标模型都基于三层双向深度 LSTM。该模型学习从混合输入的声音频谱中预测目标源(如人声)的幅度频谱。在内部,通过对输入应用掩码来获得预测。该模型在幅度域中使用均方误差进行优化。
一个 Separator
元模型(如上面代码示例所示)将每个所需目标的多个 *Open-unmix* 频谱模型组合在一起,并通过多通道广义维纳滤波器组合它们的输出,然后使用 torchaudio
应用逆 STFT。该滤波是 norbert 的可微分(但无参数)版本。
预训练的 Separator
模型
umxhq
(默认) 在 MUSDB18-HQ 上训练,该数据集包含与 MUSDB18 相同的音轨,但未压缩,因此具有 22050 Hz 的全带宽。umx
在常规 MUSDB18 上训练,由于 AAC 压缩,其带宽限制为 16 kHz。该模型应与 SiSEC18 中用于评估的其他(旧)方法进行比较。
此外,我们还提供了一个由 Sony Corporation 训练的语音增强模型
umxse
语音增强模型在 Voicebank+DEMAND 语料库的 28 说话人版本上进行训练。
所有三个模型也都可用作频谱(核心)模型,它们接受幅度频谱输入并输出分离的频谱。这些模型可以使用 umxhq_spec
、umx_spec
和 umxse_spec
加载。
详情
有关其他示例、文档和使用示例,请访问此 github 仓库。
此外,这些模型和所有用于预处理、读取和保存音频音轨的实用函数都可以在一个 Python 包中找到,该包可以通过以下方式安装
pip install openunmix
参考文献
