10个音源分离项目推荐

空白派

10个音源分离项目推荐
音乐源分离是一个活跃的研究领域，涉及到深度学习和信号处理技术，用于从复合音乐中分离出单一音源或乐器。以下是10个主要的音乐源分离相关的开源项目，包括它们的功能、GitHub链接、推出时间和关注度等信息：

1. Spleeter by Deezer
   - GitHub 链接：[Spleeter](https://github.com/deezer/spleeter)
   - 简介：由音乐流媒体服务 Deezer 发布，Spleeter 是一款强大的音乐分离工具，能够快速且有效地将音乐轨道分离成多个声部，如人声和各种伴奏。其使用简单，性能出色，适用于专业音频工程师和业余爱好者。


2. Open-Unmix
   - GitHub 链接：[Open-Unmix](https://github.com/sigsep/open-unmix-pytorch)
   - 简介：这是一个用于深度学习音乐源分离的参考实现，旨在提供易于训练和高性能的模型基准。Open-Unmix 支持多种配置，允许用户根据自己的需要调整模型。


3. Demucs
   - GitHub 链接：[Demucs](GitHub - facebookresearch/demucs: Code for the paper Hybrid Spectrogram and Waveform Source Separation)
   - 简介：由 Facebook AI 研究院开发的 Demucs 采用混合深度模型来分离音乐中的乐器声部。它通过使用卷积和递归神经网络的结合，提供改进的音质和更准确的分离结果。

4. Wave-U-Net
   - GitHub 链接：[Wave-U-Net](GitHub - f90/Wave-U-Net: Implementation of the Wave-U-Net for audio source separation)
   - 简介：Wave-U-Net 是基于 U-Net 架构的一维卷积神经网络，用于音频源分离。该模型适合处理原始音频波形，并直接在时域中工作，允许高效地从复杂混合中恢复单独音源。

5. Danna-Sep
   - GitHub 链接：[Danna-Sep](https://github.com/GiorgioRoffo/Danna-Sep)
   - 简介：Danna-Sep 使用深度学习进行音乐分离，特别强调在复杂音乐作品中分离不同的乐器声部，适合高精度的音乐分析和自动音乐转录。

6. MuseGAN
   - GitHub 链接：[MuseGAN](GitHub - salu133445/musegan: An AI for Music Generation)
   - 简介：MuseGAN 是一个基于生成对抗网络的音乐生成项目，除了创作音乐，它还可以用来研究如何分离并重新组合不同乐器的声音，提供了音乐创作和分析的新途径。

7. nnAudio
   - GitHub 链接：[nnAudio](GitHub - KinWaiCheuk/nnAudio: Audio processing by using pytorch 1D convolution network)
   - 简介：nnAudio 是一个音频处理库，利用神经网络进行音频特征提取。它提供了一个快速灵活的工具，可以进行频谱分析和其他音频分析任务，包括音乐源分离。

8. TasNet
   - GitHub 链接：[TasNet](https://github.com/naplab/Conv-TasNet)
   - 简介：TasNet 旨在解决语音分离问题，特别是在复杂环境中。其高效的时间域分离网络架构能够在低延迟条件下提供出色的分离性能。

9. sigsep-mus-db
   - GitHub 链接：[sigsep-mus-db](https://github.com/sigsep/sigsep-mus-db)
   - 简介：这个项目提供了用于评估和训练音乐源分离算法的标准化数据集和基准。它是音乐信号处理研究者的重要资源，用于开发和测试新的音乐分离技术。

10. UMX
    - GitHub 链接：[UMX](https://github.com/sigsep/open-unmix-pytorch)
    - 简介：UMX 是专门为音乐分离任务设计的开源项目，提供了一套预训练模型和工具，以帮助研究人员和开发者在多轨音乐中实现高质量的音源分离。


<hr/>
原文地址：https://zhuanlan.zhihu.com/p/708114798