音乐源分离项目教程

音乐源分离项目教程

music_source_separation 项目地址: https://gitcode.com/gh_mirrors/mus/music_source_separation

1. 项目介绍

音乐源分离是指将音频记录分解为单独的源。本项目是一个基于PyTorch的音乐源分离实现。用户可以通过安装本项目将喜爱的歌曲分解为不同的源，还可以训练自己的源分离系统。本项目也适用于训练语音增强、乐器分离等分离系统。

2. 项目快速启动

环境准备

• 安装Python 3.7。注意：使用更高版本的Python可能会导致bytesep安装失败。建议使用conda（或其他环境管理工具）来管理包。

安装

运行以下命令安装bytesep：

pip install bytesep==0.1.1

分离音频

安装完成后，分离歌曲非常简单。在任何目录下执行以下命令：

python3 -m bytesep download_checkpoints
python3 -m bytesep separate \
--source_type="vocals" \
--audio_path="./resources/vocals_accompaniment_10s.mp3" \
--output_path="separated_results/output.mp3"

如果需要批量处理目录中的多个音频文件，可以使用以下命令：

python3 -m bytesep separate \
--source_type="vocals" \
--audio_path="audios_directory" \
--output_path="outputs_directory"

本项目当前支持的源类型包括“vocals”（人声）和“accompaniment”（伴奏）。用户还可以将本源分离系统嵌入到自己的程序中。具体示例见example.py。

训练好的分离模型仅在Musdb18数据集（100首歌曲）上进行训练。训练好的检查点可以在这里下载：下载链接。

3. 应用案例和最佳实践

分离案例

以下是一个分离人声和伴奏的案例：

• 输入音频：含有混合人声和伴奏的歌曲
• 输出结果：分离出的人声和伴奏

训练自己的源分离系统

如果希望从头开始训练源分离系统，可以按照以下步骤操作：

1. 下载数据集

   执行以下脚本来下载和解压Musdb18数据集：

   ./scripts/0_download_datasets/musdb18.sh
   

2. 将音频文件打包成hdf5文件

   ./scripts/1_pack_audios_to_hdf5s/musdb18/sr=44100,chn=2.sh
   

3. 创建训练索引

   ./scripts/2_create_indexes/musdb18/create_indexes.sh
   

4. 创建评估音频

   ./scripts/3_create_evaluation_audios/musdb18/create_evaluation_audios.sh
   

5. 训练、评估和保存检查点

   ./scripts/4_train/musdb18/train.sh
   

6. 使用用户训练的检查点进行分离

   ./scripts/5_separate/musdb18/separate.sh
   

4. 典型生态项目

本项目是基于PyTorch框架的，与以下开源项目类似或相关：

• Subband ResUNet: 项目链接
• Demucs: 项目链接
• Spleeter: 项目链接
• Asteroid: 项目链接
• Open-Unmix: 项目链接

以上就是音乐源分离项目的使用教程，希望对您有所帮助。

music_source_separation 项目地址: https://gitcode.com/gh_mirrors/mus/music_source_separation