ಸ್ಟ್ರೀಮಿಂಗ್ ಪೂರೈಕೆದಾರ Deezer ಸಂಕೀರ್ಣ ಆಡಿಯೊ ಸಂಯೋಜನೆಗಳಿಂದ ಧ್ವನಿ ಮೂಲಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಪ್ರಾಯೋಗಿಕ ಯೋಜನೆಯಾದ ಸ್ಪ್ಲೀಟರ್‌ನ ಮೂಲ ಪಠ್ಯಗಳು. ಸಂಯೋಜನೆಯಿಂದ ಗಾಯನವನ್ನು ತೆಗೆದುಹಾಕಲು ಮತ್ತು ಸಂಗೀತದ ಪಕ್ಕವಾದ್ಯವನ್ನು ಮಾತ್ರ ಬಿಡಲು ಪ್ರೋಗ್ರಾಂ ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ, ಪ್ರತ್ಯೇಕ ವಾದ್ಯಗಳ ಧ್ವನಿಯನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಿ ಅಥವಾ ಸಂಗೀತವನ್ನು ತ್ಯಜಿಸಿ ಮತ್ತು ಮತ್ತೊಂದು ಧ್ವನಿ ಸರಣಿಯೊಂದಿಗೆ ಅತಿಕ್ರಮಿಸಲು ಧ್ವನಿಯನ್ನು ಬಿಡಿ, ಮಿಶ್ರಣಗಳು, ಕ್ಯಾರಿಯೋಕೆ ಅಥವಾ ಪ್ರತಿಲೇಖನವನ್ನು ರಚಿಸುತ್ತದೆ. ಪ್ರಾಜೆಕ್ಟ್ ಕೋಡ್ ಅನ್ನು ಪೈಥಾನ್‌ನಲ್ಲಿ ಟೆನ್ಸಾರ್‌ಫ್ಲೋ ಎಂಜಿನ್ ಬಳಸಿ ಬರೆಯಲಾಗಿದೆ ಮತ್ತು MIT ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ.
ಲೋಡ್ ಮಾಡಲು ಪಕ್ಕವಾದ್ಯದಿಂದ ಗಾಯನವನ್ನು (ಒಂದು ಧ್ವನಿ) ಪ್ರತ್ಯೇಕಿಸಲು ಈಗಾಗಲೇ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು, ಹಾಗೆಯೇ ಗಾಯನ, ಡ್ರಮ್‌ಗಳು, ಬಾಸ್, ಪಿಯಾನೋ ಮತ್ತು ಉಳಿದ ಧ್ವನಿಯನ್ನು ಒಳಗೊಂಡಂತೆ 4 ಮತ್ತು 5 ಸ್ಟ್ರೀಮ್‌ಗಳಾಗಿ ವಿಭಜಿಸಲು. ಸ್ಪ್ಲೀಟರ್ ಅನ್ನು ಪೈಥಾನ್ ಲೈಬ್ರರಿಯಾಗಿ ಮತ್ತು ಸ್ವತಂತ್ರ ಕಮಾಂಡ್ ಲೈನ್ ಉಪಯುಕ್ತತೆಯಾಗಿ ಬಳಸಬಹುದು. ಸರಳವಾದ ಸಂದರ್ಭದಲ್ಲಿ, ಮೂಲ ಫೈಲ್ ಅನ್ನು ಆಧರಿಸಿ ಧ್ವನಿ ಮತ್ತು ಪಕ್ಕವಾದ್ಯದ ಘಟಕಗಳೊಂದಿಗೆ ಎರಡು, ನಾಲ್ಕು ಅಥವಾ ಐದು ಫೈಲ್‌ಗಳು (vocals.wav, drums.wav, bass.wav, piano.wav, other.wav).
2 ಮತ್ತು 4 ಸ್ಟ್ರೀಮ್‌ಗಳಾಗಿ ವಿಭಜಿಸಿದಾಗ, ಸ್ಪ್ಲೀಟರ್ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, GPU ಅನ್ನು ಬಳಸುವಾಗ, ಆಡಿಯೊ ಫೈಲ್ ಅನ್ನು 4 ಸ್ಟ್ರೀಮ್‌ಗಳಾಗಿ ವಿಭಜಿಸುವುದು ಮೂಲ ಸಂಯೋಜನೆಯ ಅವಧಿಗಿಂತ 100 ಪಟ್ಟು ಕಡಿಮೆ ಸಮಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. NVIDIA GeForce GTX 1080 GPU ಮತ್ತು 32-ಕೋರ್ Intel Xeon Gold 6134 CPU ಹೊಂದಿರುವ ಸಿಸ್ಟಂನಲ್ಲಿ, ಮೂರು ಗಂಟೆ 27 ನಿಮಿಷಗಳ ಅವಧಿಯ musDB ಪರೀಕ್ಷಾ ಸಂಗ್ರಹವನ್ನು 90 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಯಿತು.
ಓಪನ್ ಸೋರ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್‌ನಂತಹ ಆಡಿಯೊ ಬೇರ್ಪಡಿಕೆ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಇತರ ಬೆಳವಣಿಗೆಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಸ್ಪ್ಲೀಟರ್‌ನ ಅನುಕೂಲಗಳ ಪೈಕಿ ಓಪನ್-ಅನ್ಮಿಕ್ಸ್, ಧ್ವನಿ ಫೈಲ್‌ಗಳ ವ್ಯಾಪಕ ಸಂಗ್ರಹದಿಂದ ನಿರ್ಮಿಸಲಾದ ಉನ್ನತ ಗುಣಮಟ್ಟದ ಮಾದರಿಗಳ ಬಳಕೆಯನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತದೆ. ಹಕ್ಕುಸ್ವಾಮ್ಯ ನಿರ್ಬಂಧಗಳ ಕಾರಣದಿಂದಾಗಿ, ಯಂತ್ರ ಕಲಿಕೆ ಸಂಶೋಧಕರು ಸಂಗೀತ ಫೈಲ್‌ಗಳ ಸಾಕಷ್ಟು ವಿರಳವಾದ ಸಾರ್ವಜನಿಕ ಸಂಗ್ರಹಣೆಗಳಿಗೆ ಪ್ರವೇಶಕ್ಕೆ ಸೀಮಿತರಾಗಿದ್ದಾರೆ, ಆದರೆ ಸ್ಪ್ಲೀಟರ್‌ನ ಮಾದರಿಗಳನ್ನು ಡೀಜರ್‌ನ ವಿಶಾಲವಾದ ಸಂಗೀತ ಕ್ಯಾಟಲಾಗ್‌ನಿಂದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಮಿಸಲಾಗಿದೆ.
ಬೈ ಓಪನ್-ಅನ್‌ಮಿಕ್ಸ್‌ನೊಂದಿಗೆ, ಸಿಪಿಯುನಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದಾಗ ಸ್ಪ್ಲೀಟರ್‌ನ ಬೇರ್ಪಡಿಕೆ ಉಪಕರಣವು ಸುಮಾರು 35% ವೇಗವಾಗಿರುತ್ತದೆ, MP3 ಫೈಲ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಮತ್ತು ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ (ಓಪನ್-ಅನ್ಮಿಕ್ಸ್‌ನಲ್ಲಿ ಏಕ ಧ್ವನಿಗಳು ಕೆಲವು ಸಾಧನಗಳ ಕುರುಹುಗಳನ್ನು ಬಿಡುತ್ತವೆ, ಇದಕ್ಕೆ ಕಾರಣ ಓಪನ್-ಅನ್ಮಿಕ್ಸ್ ಮಾದರಿಗಳು ಕೇವಲ 150 ಸಂಯೋಜನೆಗಳ ಸಂಗ್ರಹದಲ್ಲಿ ತರಬೇತಿ ಪಡೆದಿವೆ).
ಮೂಲ: opennet.ru