ප්රවාහ සැපයුම්කරු Deezer සංකීර්ණ ශ්රව්ය සංයුති වලින් ශබ්ද ප්රභවයන් වෙන් කිරීම සඳහා යන්ත්ර ඉගෙනුම් පද්ධතියක් සංවර්ධනය කරන ස්ප්ලීටර් පර්යේෂණාත්මක ව්යාපෘතියේ මූලාශ්ර පාඨ. මෙම වැඩසටහන මඟින් ඔබට සංයුතියකින් කටහඬ ඉවත් කර සංගීත සහය පමණක් තැබීමට, තනි උපකරණවල ශබ්දය හැසිරවීමට හෝ සංගීතය ඉවත දමා වෙනත් ශබ්ද ශ්රේණියක් සමඟ අතිච්ඡාදනය කිරීමට, මිශ්ර, කැරෝකී හෝ පිටපත් කිරීමට හඬ තබයි. ව්යාපෘති කේතය Tensorflow එන්ජිම භාවිතයෙන් Python වලින් ලියා ඇත MIT බලපත්රය යටතේ.
පැටවීම සඳහා ගායනය (එක් කටහඬක්) සහායකයෙන් වෙන් කිරීම සඳහා මෙන්ම, ගායනය, බෙර, බාස්, පියානෝව සහ සෙසු ශබ්දය ඇතුළුව 4 සහ 5 ප්රවාහවලට බෙදීම සඳහා දැනටමත් පුහුණු කරන ලද ආකෘති. Spleeter Python පුස්තකාලයක් ලෙස සහ ස්වාධීන විධාන රේඛා උපයෝගීතාවයක් ලෙස භාවිතා කළ හැක. සරලම අවස්ථාවක, මූලාශ්ර ගොනුව මත පදනම්ව හඬ සහ සහායක සංරචක සහිත ගොනු දෙකක්, හතරක් හෝ පහක් (vocals.wav, drums.wav, bass.wav, piano.wav, other.wav).
2 සහ 4 ප්රවාහවලට බෙදූ විට, Spleeter ඉතා ඉහළ කාර්ය සාධනයක් සපයයි, උදාහරණයක් ලෙස, GPU භාවිතා කරන විට, ශ්රව්ය ගොනුවක් ප්රවාහ 4කට බෙදීමට මුල් සංයුතියේ කාලසීමාවට වඩා 100 ගුණයකින් අඩු කාලයක් ගතවේ. NVIDIA GeForce GTX 1080 GPU සහ 32-core Intel Xeon Gold 6134 CPU සහිත පද්ධතියක් මත, පැය තුනකුත් මිනිත්තු 27ක් පැවති musDB පරීක්ෂණ එකතුව තත්පර 90කින් සකසන ලදී.
විවෘත මූලාශ්ර ව්යාපෘතිය වැනි ශ්රව්ය වෙන් කිරීමේ ක්ෂේත්රයේ අනෙකුත් වර්ධනයන් හා සසඳන විට Spleeter හි වාසි අතර , පුළුල් ශබ්ද ගොනු එකතුවකින් ගොඩනගා ඇති උසස් තත්ත්වයේ මාදිලි භාවිතා කිරීම ගැන සඳහන් කරයි. ප්රකාශන හිමිකම් සීමා කිරීම් හේතුවෙන්, යන්ත්ර ඉගෙනුම් පර්යේෂකයන්ට තරමක් විරල පොදු සංගීත ගොනු එකතුවට ප්රවේශ වීමට සීමා වී ඇති අතර, Spleeter හි ආකෘති ගොඩනඟා ඇත්තේ Deezer හි විශාල සංගීත නාමාවලියේ දත්ත භාවිතා කරමිනි.
විසින් Open-Unmix සමඟින්, Spleeter හි වෙන් කිරීමේ මෙවලම CPU මත පරීක්ෂා කරන විට 35% ක් පමණ වේගවත් වේ, MP3 ගොනු සඳහා සහය දක්වයි, සහ කැපී පෙනෙන ලෙස වඩා හොඳ ප්රතිඵල ජනනය කරයි (Open-Unmix හි තනි හඬ සමහර මෙවලම්වල අංශු මාත්ර ඉතිරි කරයි, මෙයට හේතුව විය හැකිය. Open-Unmix ආකෘති පුහුණු කරනු ලබන්නේ සංයුති 150 ක එකතුවක් මත පමණි).
මූලාශ්රය: opennet.ru
