本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

用AI对歌曲音轨的分离研究很多，不过大多数都是在频域上进行的。这类方法先把声音进行傅立叶变换，再从频谱空间中把人声、乐曲声分别抽离出来。

比如，上个月在GitHub上大热的Spleeter，就是这样。

但是由于要计算频谱，这类工具存在着延迟较长的缺点。虽然之前也有一些对声音波形进行处理的方法，但实际效果与频域处理方法相差甚远。

最近，Facebook AI研究院提供了两种波形域方法的PyTorch实现，分别是Demucs和Conv-Tasnet，而且测试结果均优于其他常见的频域方法，目前登上了GitHub日榜

效果对比

话不多说，我们先来听听这段30s音频的分离实测效果。

这两种方法在MusDB上的训练结果已经接近了频域方法的最优结果，加入150首额外的训练数据后，总体信号失真比（overall SDR）达到了6.3，超过了其他所有方法。

安装与使用方法

先将代码下载到本地，根据自己用CPU还是GPU来选择不同的安装环境：

conda env update -f environment-cpu.yml # if you don’t have GPUs 
conda env update -f environment-cuda.yml # if you have GPUs 
conda activate demucs 

在代码库的根目录下运行以下代码（Windows用户需将python3换为python.exe）：

python3 -m demucs.separate --dl -n demucs PATH_TO_AUDIO_FILE_1 [PATH_TO_AUDIO_FILE_2 ...] # for Demucs 
python3 -m demucs.separate --dl -n tasnet PATH_TO_AUDIO_FILE_1 ... # for Conv-Tasnet 
# Demucs with randomized equivariant stabilization (10x slower, suitable for GPU, 0.2 extra SDR) 
python3 -m demucs.separate --dl -n demucs --shifts=10 PATH_TO_AUDIO_FILE_1 

其中—dl将自动下载预训练模型，-n后的参数代表选用的预训练模型类型：

demucs：表示在MusDB上进行训练的Demucs；
demucs_extra：使用额外数据训练的Demucs；
tasnet：表示在MusDB上进行训练的Conv-Tasnet；
tasnet_extra：使用额外数据训练的Conv-Tasnet。

在—shifts=SHIFTS执行多个预测与输入和平均他们的随机位移（又名随机等变稳定）。这使预测SHIFTS时间变慢，但将Demucs的精度提高了SDR的0.2点。它对Conv-Tasnet的影响有限，因为该模型本质上几乎是等时的。原始纸张使用10的值，尽管5产生的增益几乎相同。默认情况下禁用它。

原理简介

Demucs是Facebook人工智能研究院在今年9月提出的弱监督训练模型，基于受Wave-U-Net和SING启发的U-Net卷积架构。

研究人员引入了一个简单的卷积和递归模型，使其比Wave-U-Net的比信号失真比提高了1.6个点。

上图是Demucs的完整框架结构，右侧是编码器和解码器层的详细表示。

与之前的Wave-U-Net相比，Demucs的创新之处在于编码器和解码器中的GLU激活函数，以及其中的双向LSTM和倍增的通道数量。

Conv-TasNet是哥大的一名中国博士生Yi Luo提出的一种端到端时域语音分离的深度学习框架。

Conv-TasNet使用线性编码器来生成语音波形的表示形式，该波形针对分离单个音轨进行了优化。音轨的分离则是通过将一组加权函数（mask）用于编码器输出来实现。

然后使用线性解码器将修改后的编码器表示形式反转回波形。由卷积的一维扩张卷积块组成的时间卷积网络（TCN）查找mask，使网络可以对语音信号的长期依赖性进行建模，同时保持较小的模型尺寸。

Conv-TasNet具有显着较小的模型尺寸和较短的延迟，是脱机和实时语音分离应用程序的合适解决方案。

传送门

项目地址：
https://github.com/facebookresearch/demucs

测试结果论文：
https://hal.archives-ouvertes.fr/hal-02379796/document