Project Icon

BS-RoFormer

先进音乐源分离技术的开源实现

BS-RoFormer是一个开源的音乐源分离项目,实现了先进的注意力网络技术。该项目采用跨频率和时间的轴向注意力以及旋转位置编码,显著提高了分离效果。支持立体声训练和多声部输出,为音乐处理领域带来新的可能。项目提供了详细的使用说明和应用案例,适合研究者和开发者使用。

BS-RoFormer

实现了Band Split Roformer,这是字节跳动AI实验室开发的音乐源分离最先进的注意力网络。他们大幅超越了之前的第一名。该技术在频率(因此是多频带)和时间上使用轴向注意力。他们还进行了实验,证明旋转位置编码比学习绝对位置带来了巨大的改进。

它还支持立体声训练和输出多个音轨。

如果你有兴趣在公开场合复现最先进的音乐源分离器,请加入加入我们的Discord

更新:这篇论文已被Roman复现,权重已在这里开源

更新2:用于这个凯蒂·佩里的混音!

更新3:Kimberley Jensen已在这里开源了一个经过人声训练的MelBand Roformer!

致谢

  • 感谢StabilityAI🤗 Huggingface的慷慨赞助,以及我的其他赞助商,让我能够独立地开源人工智能。

  • 感谢RoeeFabian-Robert分享他们的音频专业知识并修复音频超参数

  • 感谢@chenht2010Roman解决了默认频带分割超参数的问题!

  • 感谢Max Prod报告了Mel-Band Roformer在立体声训练中的一个重大bug!

  • 感谢Roman成功训练了模型并在这个仓库中开源了他的训练代码和权重!

  • 感谢Christopher修复了Mel-Band Roformer中多个音轨的问题

  • 感谢Iver Jordal发现默认的stft窗口函数不正确

安装

$ pip install BS-RoFormer

使用方法

import torch
from bs_roformer import BSRoformer

model = BSRoformer(
    dim = 512,
    depth = 12,
    time_transformer_depth = 1,
    freq_transformer_depth = 1
)

x = torch.randn(2, 352800)
target = torch.randn(2, 352800)

loss = model(x, target = target)
loss.backward()

# 经过大量训练后

out = model(x)

要使用最近一篇后续论文中提出的Mel-Band Roformer,只需导入MelBandRoformer即可

import torch
from bs_roformer import MelBandRoformer

model = MelBandRoformer(
    dim = 32,
    depth = 1,
    time_transformer_depth = 1,
    freq_transformer_depth = 1
)

x = torch.randn(2, 352800)
target = torch.randn(2, 352800)

loss = model(x, target = target) loss.backward()

经过大量训练后

out = model(x)


## 待办事项

- [x] 加入多尺度短时傅里叶变换损失
- [x] 确定`n_fft`应该是多少
- [x] 审查频带分割和掩模估计模块

## 引用

```bibtex
@inproceedings{Lu2023MusicSS,
    title   = {基于频带分割RoPE Transformer的音乐源分离},
    author  = {卢韦宗 and 王巨江 and 孔秋强 and 洪韵宁},
    year    = {2023},
    url     = {https://api.semanticscholar.org/CorpusID:261556702}
}
@inproceedings{Wang2023MelBandRF,
    title   = {用于音乐源分离的梅尔频带RoFormer},
    author  = {王巨江 and 卢韦宗 and Minz Won},
    year    = {2023},
    url     = {https://api.semanticscholar.org/CorpusID:263608675}
}
@misc{ho2019axial,
    title  = {多维Transformer中的轴向注意力},
    author = {Jonathan Ho and Nal Kalchbrenner and Dirk Weissenborn and Tim Salimans},
    year   = {2019},
    archivePrefix = {arXiv}
}
@misc{su2021roformer,
    title   = {RoFormer:具有旋转位置嵌入的增强型Transformer},
    author  = {苏剑林 and 陆宇 and 潘胜峰 and 文博 and 刘云峰},
    year    = {2021},
    eprint  = {2104.09864},
    archivePrefix = {arXiv},
    primaryClass = {cs.CL}
}
@inproceedings{dao2022flashattention,
    title   = {Flash{A}ttention:具有{IO}感知的快速且内存高效的精确注意力},
    author  = {Dao, Tri and Fu, Daniel Y. and Ermon, Stefano and Rudra, Atri and R{\'e}, Christopher},
    booktitle = {神经信息处理系统进展},
    year    = {2022}
}
@article{Bondarenko2023QuantizableTR,
    title   = {可量化的Transformer:通过帮助注意力头什么都不做来消除异常值},
    author  = {Yelysei Bondarenko and Markus Nagel and Tijmen Blankevoort},
    journal = {ArXiv},
    year    = {2023},
    volume  = {abs/2306.12929},
    url     = {https://api.semanticscholar.org/CorpusID:259224568}
}
@inproceedings{ElNouby2021XCiTCI,
    title   = {XCiT:交叉协方差图像Transformer},
    author  = {Alaaeldin El-Nouby and Hugo Touvron and Mathilde Caron and Piotr Bojanowski and Matthijs Douze and Armand Joulin and Ivan Laptev and Natalia Neverova and Gabriel Synnaeve and Jakob Verbeek and Herv{\'e} J{\'e}gou},
    booktitle = {神经信息处理系统},
    year    = {2021},
    url     = {https://api.semanticscholar.org/CorpusID:235458262}
}
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号