vocal remover

Vocal-Remover

Dies ist ein tiefgreifendes Tool, um einen Instrumental-Track aus Ihren Songs zu extrahieren.

Installation

Vocal-Remover bekommen

Laden Sie die neueste Version von hier herunter.

Pytorch installieren

Siehe : Erstige Einstieg

Installieren Sie die anderen Pakete

 cd vocal-remover
pip install -r requirements.txt

Verwendung

Der folgende Befehl unterteilt die Eingabe in Instrumental- und Stimmspuren. Sie werden als *_Instruments.wav und *_Vocals.wav gespeichert.

Auf der CPU laufen

 python inference.py --input path/to/an/audio/file

Laufen Sie auf GPU

 python inference.py --input path/to/an/audio/file --gpu 0

Erweiterte Optionen

--tta Option führt die Testzeit-Augmentation durch, um die Trennungsqualität zu verbessern.

 python inference.py --input path/to/an/audio/file --tta --gpu 0

--postprocess Option maskiert instrumentaler Teil auf der Grundlage des Gesangsvolumens, um die Trennungsqualität zu verbessern.

Warnung

Dies ist ein experimentelles Merkmal. Wenn Sie Probleme mit dieser Option haben, deaktivieren Sie diese bitte.

 python inference.py --input path/to/an/audio/file --postprocess --gpu 0

Trainieren Sie Ihr eigenes Modell

Platzieren Sie Ihren Datensatz

 path/to/dataset/
  +- instruments/
  |    +- 01_foo_inst.wav
  |    +- 02_bar_inst.mp3
  |    +- ...
  +- mixtures/
       +- 01_foo_mix.wav
       +- 02_bar_mix.mp3
       +- ...

Trainieren Sie ein Modell

 python train.py --dataset path/to/dataset --mixup_rate 0.5 --reduction_rate 0.5 --gpu 0

Referenzen

• [1] Jansson et al., "Singen Sprachtrennung mit tiefen UNET-Faltungsnetzwerken", https://ejhumphrey.com/assets/pdf/jansson2017singing.pdf
• [2] Takahashi et al.
• [3] Takahashi et al., "Mmdenselstm: Eine effiziente Kombination aus Faltungs- und wiederkehrenden neuronalen Netzwerken für die Trennung von Audioquellen", https://arxiv.org/pdf/1805.02410.pdf
• [4] Choi et al., "Phase-auferbewusste Sprachverbesserung mit tiefem komplexem U-Net", https://openreview.net/pdf?id=SkertSacymus
• [5] Jansson et al..
• [6] Liutkus et al., "Die Signal -Trennungsbewertungskampagne 2016", Latent Variable Analysis und Signal Trennung - 12. Internationale Konferenz