Ik heb Machine Learning Spleeter geprobeerd. (Uitleg over het gebruik)

Ik heb Machine Learning Spleeter geprobeerd. (Uitleg over het gebruik)

Ik ben Yosi, de beheerder van Chillout with Beats.

Ik probeerde Spleter, dat een hot topic is geworden op straat.

Door de CLI (command line) is de moeilijkheidsgraad hoog.

Commandolijn wat?Als je het niet begrijpt, raad ik het niet aan.

Luister voorlopig naar de resultaten van de demosong.

Dit is geweldig.

originele gegevens

Geëxtraheerde vocale gegevens

Andere gegevens dan zang

Overzicht van Spleeter

Hoewel het geen bekend onderwerp is, is de kwestie van bronscheiding al tientallen jaren van belang voor een grote gemeenschap van muzieksignaalonderzoekers.Het begint met een simpele observatie.Muziekopnames zijn meestal een mix van meerdere individuele instrumenttracks (leadzang, drums, bas, piano, enz.).De taken voor het scheiden van muziekbronnen zijn:Kunnen deze individuele tracks (ook wel bekend als stengels) gezien de mix worden hersteld?Dit heeft veel potentiële toepassingen.Overweeg voorbewerking voor andere taken, zoals remixen, upmixen, actief luisteren, educatieve doeleinden en transcriptie.

Interessant is dat onze hersenen erg goed zijn in het scheiden van muziekinstrumenten.Concentreer je gewoon op een van de instrumenten op dit nummer (bijvoorbeeld leadzang) en je hoort iets heel anders dan de anderen.Maar het is niet echt een scheiding, je hoort nog steeds alle andere delen.In veel gevallen is het misschien niet mogelijk om de afzonderlijke tracks die met elkaar zijn vermengd nauwkeurig te herstellen.De uitdaging is dan ook om deze zo goed mogelijk te benaderen.Met andere woorden, probeer zo dicht mogelijk bij het origineel te komen zonder overmatige vervorming te creëren.

In de loop der jaren zijn veel strategieën bestudeerd door tientallen geweldige onderzoeksteams over de hele wereld.Ben je geïnteresseerd in deze boeiende reis, lees dan het overzicht van dit artikel of lees het.Het tempo van de recente vooruitgang heeft een grote sprong gemaakt, voornamelijk als gevolg van de vooruitgang in methoden voor machinaal leren.Om bij te houden, vergelijken mensen algoritmen in internationale beoordelingscampagnes.Dit toont aan dat de prestatie van Spleeter overeenkomt met de prestatie van het voorgestelde optimale algoritme.
Bovendien is Spleeter erg snel. Als je de GPU-versie gebruikt, kun je 100 keer sneller isoleren dan in realtime, waardoor het geschikt is voor het verwerken van grote datasets.

Hoe Spleeter te installeren

De eerste is de plek om informatie te krijgen.

Het hoofdverhaal op de officiële pagina is "Spleeter".

Spleeter-voorkeuren

Om Spleeter te kunnen gebruiken, moet u eerst de omgeving voorbereiden.

Download en installeer Miniconda

Conda is waarschijnlijk de gemakkelijkste, dusminicondaVoorstellen.

Ik denk dat de standaardinstallatie prima is.

Git . installeren

Je hebt een Git-client nodig, dus download en installeer deze.

Ik denk dat de standaardinstallatie prima is.

Installeer Spleeter

Voor Windows start u "Anaconda Prompt" vanuit het startmenu.

Eenmaal gestart, kopieer en plak je de volgende commando's regel voor regel.

De werking van Spleeter controleren met behulp van de demo-geluidsbron

cd spleeter python -m apart -h

Als u het zonder problemen kunt installeren, wordt de volgende hulp (slechts een onderdeel wordt beschreven) weergegeven.

Exporteren naar 2stem

python -m spleeter apart -i audio_example.mp3 -o audio_output

Het bestand wordt opgeslagen in de map "audio_output \ audio_example".

Ik heb het twee keer geprobeerd, maar de eerste keer krijg ik alleen "vocals.wav" met de zang eruit gehaald.

Als u de opdracht opnieuw uitvoert (gebruik de bovenste toets op het toetsenbord om terug te gaan in de geschiedenis van de opdracht), wordt deze uitgevoerd.

"Accompaniment.wav" anders dan zang wordt ook uitgevoerd.

Exporteren naar 4stem

spleeter apart -i audio_example.mp3 -o audio_output -p spleeter: 4stems

Als dit lukt, worden 4 bestanden geëxporteerd zoals hieronder.

INFO: spleeter: bestand audio_output \ audio_example \ bass.wav geschreven INFO: spleeter: bestand audio_output \ audio_example \ vocals.wav geschreven INFO: spleeter: bestand audio_output \ audio_example \ drums.wav geschreven INFO: spleeter: bestand audio_output \ audio_example wav geschreven

U kunt aangeven hoeveel u wilt delen met "-p". Momenteel worden de volgende 3 typen ondersteund.

• spleeter:2stems（ボーカル、その他）
• spleeter:4stems（ボーカル、ベース、ドラム、その他)
• spleeter:5stems（ボーカル、ベース、ドラム、ピアノ、その他)

Gebruik Spleeter voor je eigen geluidsbron

Als je er zelf van wilt genieten, denk ik dat het oké was om alleen de vocalen te extraheren uit de geluidsbron die je zelf hebt geript. (Wees voorzichtig, want het zal uit zijn als je het uploadt naar het net)

Ik zal alleen beschrijven hoe het moet.

Kopieer eerst het bestand dat u hebt voorbereid naar hetzelfde niveau als "audio_example.mp3".

Het enige dat u nu hoeft te doen, is het commando "audio_example.mp3" wijzigen in de bestandsnaam van het bestand dat u hebt voorbereid.

spleeter apart -i audio_example.mp3 -o audio_output

Ik heb het in het Japans geprobeerd, maar het werkte.

Het verbaast me dat het vrij mooi kan worden geëxtraheerd.

Als u een foutmelding krijgt, kan het werken als u deze wijzigt in alfanumerieke tekens.

Ik heb Machine Learning Spleeter geprobeerd. (Uitleg over het gebruik) Samenvatting

Het is een geweldige technologie.

Bovendien, als je een stengel hebt, kun je meer leren.

Dit is een gok, maar op dit moment lijkt het erop dat er weinig geleerd wordt van de Japanse stem.

Als je leert van een karaoke-cd enz., kan het mogelijk zijn om het met aanzienlijke nauwkeurigheid te extraheren.

Omdat deze software gratis kan worden gebruikt, is de kans groot dat er in de toekomst ook GUI-toepassingen die deze technologie gebruiken, uitkomen.

Ik dacht ineens dat het geweldig zou zijn als deze technologie en de technologie van iZotope's Dialogue Match die onlangs werd uitgebracht, zouden samensmelten.