AI 可以寫歌、填詞、改換風格、續(xù)寫音樂。今天，AI 又來做編曲人了。
上傳一段《Stay》，一鍵按下，伴奏和人聲就輕松分離。
人聲頗有種在空曠地帶清唱的清晰感，背景樂都能直接拿去做混剪了！
這樣驚人的效果也引發(fā)了 Reddit 熱議。
這項研究的主要負責人孔秋強來自字節(jié)跳動，全球最大的古典鋼琴數(shù)據(jù)集 GiantMIDI-Piano，也是由他在去年牽頭發(fā)布的。
那么今天，他又帶來了怎樣的一個 AI 音樂家呢？
一起來看看。
基于深度殘差網(wǎng)絡的音源分離
這是一個包含了相位估計的音樂源分離（MSS）系統(tǒng)。
首先，將幅值（Magnitude）與相位（Phase）解耦，用以估計復數(shù)理想比例掩碼（cIRM）。
其次，為了實現(xiàn)更靈活的幅值估計，將有界掩碼估計和直接幅值預測結(jié)合起來。
最后，為 MSS 系統(tǒng)引入一個 143 層的深度殘差網(wǎng)絡（Deep Residual UNets），利用殘差編碼塊（REB）和殘差解碼塊（RDB）來增加其深度：
殘差編碼塊和殘差卷積塊中間還引入了中間卷積塊（ICB），以提高殘差網(wǎng)絡的表達能力。
其中每個殘差編碼塊由 4 個殘差卷積塊（RCB）組成，殘差卷積塊又由兩個核大小為 3×3 的卷積層組成。
每個殘差解碼塊由 8 個卷積層和 1 個反卷積層組成。
實驗結(jié)果
接下來，將這一系統(tǒng)在 MUSDB18 數(shù)據(jù)集上進行實驗。
MUSDB18 中的訓練/驗證集分別包含 100/50 個完整的立體聲音軌，包括獨立的人聲、伴奏、低音、鼓和其他樂器。
在訓練時，利用上述系統(tǒng)進行并行的混合音頻數(shù)據(jù)增強，隨機混合來自同一來源的兩個 3 秒片段，然后作為一個新的 3 秒片段進行訓練。
以信號失真率（SDR）作為評判標準，可以看到 ResUNetDecouple 系統(tǒng)在分離人聲、低音、其他和伴奏方面明顯優(yōu)于以前的方法：
在消融實驗中，143 層殘差網(wǎng)絡的表現(xiàn)也證實了，結(jié)合有界掩碼估計和直接幅值預測確實能夠改善聲音源分離系統(tǒng)的性能。
作者介紹
這項研究的論文一作為孔秋強，本碩都畢業(yè)于華南理工大學，博士則畢業(yè)于英國薩里大學的電子信息工程專業(yè)。
他在 2019 年加入字節(jié)跳動的 Speech, Audio and Music Intelligence 研究小組，主要負責音頻信號處理和聲音事件檢測等領(lǐng)域的研究。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。