ထုတ်လွှင့်ပေးသူ Deezer အသံအရင်းအမြစ်များကို ရှုပ်ထွေးသော အသံဖွဲ့စည်းမှုများမှ ခွဲထုတ်ရန်အတွက် စက်သင်ယူမှုစနစ်ကို တီထွင်ထားသည့် စမ်းသပ်ပရောဂျက် Spleeter ၏ အရင်းအမြစ်စာသားများ။ ပရိုဂရမ်သည် သင့်အား တေးရေးတစ်ခုမှ တေးသံများကို ဖယ်ရှားနိုင်ပြီး တေးဂီတပါ၀င်မှုကိုသာ ချန်ထားရန်၊ တူရိယာတစ်ခုချင်းစီ၏ အသံကို စီမံရန် သို့မဟုတ် တေးဂီတကို စွန့်ပစ်ပြီး အခြားအသံစီးရီးများနှင့် ထပ်တင်ရန်အတွက် အသံကို ချန်ထားခဲ့ရန်၊ ရောစပ်ထားသော၊ ကာရာအိုကေ သို့မဟုတ် စာသားမှတ်တမ်းကို ဖန်တီးနိုင်သည်။ ပရောဂျက်ကုဒ်ကို Tensorflow အင်ဂျင်ကို အသုံးပြု၍ Python ဖြင့် ရေးသားထားသည်။ MIT လိုင်စင်အောက်တွင်။
loading အတွက် တေးသွား (တစ်သံတည်း) ကို တွဲပါနှင့် ပိုင်းခြားရန် လေ့ကျင့်ထားပြီးသား၊ အဆို၊ ဒရမ်၊ ဘေ့စ်၊ စန္ဒယားနှင့် ကျန်အသံများ အပါအဝင် စမ်းချောင်း 4 နှင့် 5 တို့ကို ပိုင်းခြားရန် လေ့ကျင့်ထားသည်။ Spleeter ကို Python စာကြည့်တိုက်အဖြစ်နှင့် standalone command line utility အဖြစ် နှစ်မျိုးလုံးအသုံးပြုနိုင်ပါသည်။ အရိုးရှင်းဆုံးအခြေအနေတွင်၊ အရင်းအမြစ်ဖိုင်ကိုအခြေခံသည်။ အသံနှင့် တွဲပါ အစိတ်အပိုင်းများပါရှိသော ဖိုင်နှစ်ခု၊ လေးခု သို့မဟုတ် ငါးခု (vocals.wav၊ drums.wav၊ bass.wav၊ piano.wav၊ other.wav)။
2 နှင့် 4 thread များအဖြစ် ပိုင်းခြားသည့်အခါ Spleeter သည် အလွန်မြင့်မားသော စွမ်းဆောင်ရည်ကို ပံ့ပိုးပေးသည်၊ ဥပမာအားဖြင့်၊ GPU ကိုအသုံးပြုသောအခါ၊ အသံဖိုင်ကို အပိုင်း ၄ ခုအဖြစ်ခွဲခြင်းသည် မူရင်းဖွဲ့စည်းမှု၏ကြာချိန်ထက် အဆ 4 ပိုကြာပါသည်။ NVIDIA GeForce GTX 100 GPU နှင့် 1080-core Intel Xeon Gold 32 CPU ပါရှိသော စနစ်တွင်၊ သုံးနာရီနှင့် 6134 မိနစ်ကြာသည့် musDB စမ်းသပ်စုဆောင်းမှုကို စက္ကန့် 27 အတွင်း လုပ်ဆောင်ခဲ့သည်။
Spleeter ၏ အားသာချက်များထဲတွင် အသံပိုင်းခြားခြင်းဆိုင်ရာ အခြားတိုးတက်မှုများနှင့် နှိုင်းယှဉ်ပါက၊ ပွင့်လင်းအရင်းအမြစ်ပရောဂျက်ကဲ့သို့သော၊ ရောနှောမှုကို ဖွင့်ပါ။ကျယ်ပြန့်သော အသံဖိုင်များ စုစည်းမှုမှ တည်ဆောက်ထားသော အရည်အသွေးမြင့် မော်ဒယ်များ အသုံးပြုမှုကို ဖော်ပြသည်။ မူပိုင်ခွင့်ကန့်သတ်ချက်များကြောင့် စက်သင်ယူမှုသုတေသီများသည် ဂီတဖိုင်များအတော်လေးကျဲကျဲသော အများသူငှာစုစည်းမှုများကို ဝင်ရောက်ကြည့်ရှုခွင့်ကို ကန့်သတ်ထားသော်လည်း Spleeter ၏မော်ဒယ်များကို Deezer ၏ကျယ်ပြောလှသောတေးဂီတကတ်တလောက်မှဒေတာကိုအသုံးပြု၍တည်ဆောက်ထားသည်။
အပေါ် Open-Unmix ဖြင့် Spleeter ၏ခွဲထွက်ကိရိယာသည် CPU တွင်စမ်းသပ်သောအခါ 35% ခန့်ပိုမိုမြန်ဆန်သည်၊ MP3 ဖိုင်များကိုပံ့ပိုးပေးပြီးသိသိသာသာပိုမိုကောင်းမွန်သောရလဒ်များကိုထုတ်ပေးသည် (Open-Unmix တွင်သီဆိုထားသောအသံများသည်အချို့သောကိရိယာများ၏ခြေရာများကိုချန်ထားခဲ့သည်ဟူသောအချက်ကြောင့်ဖြစ်နိုင်ဖွယ်ရှိသည်။ Open-Unmix မော်ဒယ်များကို ပေါင်းစပ်ဖွဲ့စည်းမှု 150 မျှသာ စုစည်းမှုတွင် လေ့ကျင့်ထားသည်။)
source: opennet.ru