音源分离|数据集|MUSDB18-HQ

最新推荐文章于 2024-06-11 09:54:55 发布
最新推荐文章于 2024-06-11 09:54:55 发布
阅读量563 收藏 4
点赞数 8
分类专栏： 笔记 文章标签： 音频 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cash_cp/article/details/138520049
版权

一、说明

        MUSDB18-HQ是MUSDB18数据集的未压缩版本。它由总共150首不同风格的完整歌曲组成，包括立体声混音和原始源，分为训练子集和测试子集。

        其目的是作为设计和评估源分离算法的参考数据库。这种信号处理方法的目的是从一组混合物中估计一个或多个源，例如用于卡拉ok应用。

        MUSDB18-HQ包含两个文件夹，一个文件夹包含由100首歌曲组成的训练集:“train”，另一个文件夹包含由50首歌曲组成的测试集:“test”。监督方法应该在训练集上进行训练，并在两个集上进行测试。

        数据集对应的文件结构如下所示。所有音频都是44.1KHz。

二、数据集下载链接

        点击链接MUSDB18-HQ - an uncompressed version of MUSDB18

孤独的追光者
关注
专栏目录
一个完整的MGMN音源分离模型学习路径 Multimodal Generative Adversarial Network for Music source separation
程序员光剑
08-06 1582
音源分离（Music source separation）问题是指将一个混合信号中的不同音源分离出来并得到各自的单独波形的过程。由于不同类别的音乐同时出现在同一个空间中，因此对其进行音源分离非常重要。传统的方法主要集中在统计方法和优化方法两大类，但多模态生成对抗网络（Multimodal Generative Adversarial Networks，简称MGMN）则成为当下热门的研究方向之一。本文提出了一个多模态生成对抗网络，用于音源分离任务，并基于该模型设计了评估标准，比较了不同模型之间的性能差异。
sigsep-mus-db:适用于MUSDB18音乐分离数据集的Python解析器和工具
05-24
音乐数据库 一个用于解析和处理的python包， 集是用于音乐源分离的最大的开放访问数据集。 该工具最初是作为“开发的，是“。 获取数据 musdb随附完整数据集的7秒摘录（自动下载），用于快速评估或原型制作。 但是，完整的数据集需要下载并单独存储（解压缩）。 数据集托管在Zenodo上，并且要求用户请求访问权限，因为这些曲目只能用于学术目的。 我们手动检查此请求。 请不要多次填写表格，通常需要不到一天的时间就可以访问该表格。 安装与设定 软件包安装 您可以使用pip安装musdb ： pip install musdb 使用STEM（默认） MUSDB18自带编码这是一个多轨音频格式，使用有损压缩。 内部的musdb包依赖FFMPEG来解码多流文件。 为方便起见，我们开发了一个名为的python程序包，该程序包可轻松解析主文件并即时对其进行解码。 当您安装musdb （取决于st
用于 MUDB18音乐分离数据集 的 Python 解析器和工具_python_代码_下载
06-15
个用于解析和处理MUDB18 数据集的 python 包，这是用于音乐源分离的最大的开放访问数据集。该工具最初是为音乐分离任务开发的，作为信号分离评估活动 (SISEC)的一部分。 获取数据 musdb附带完整数据集的 7 秒摘录（自动下载），用于快速评估或原型设计。然而，完整的数据集需要通过 Zenodo下载并单独存储（解压缩）。 用法 这个包应该很好地与你现有的 python numpy、tensorflow 或 pytorch 代码集成。在您的项目中使用 musdb 的大多数步骤可能会使用相同的第一步： 设置 musdb 在你的主要 python 函数中导入musdb包并迭代 7 秒的musdb轨道： import musdb mus = musdb.DB(download=True) mus[0].audio 要使用完整数据集，请设置数据集root目录 mus = musdb.DB(root="/path/to/musdb) rootMUDB18 数据集根文件夹的路径在哪里。也可以使用系统环境变量覆盖 root 参数。就export MUSDB_PATH=/path/
MUSDB18-HQ音乐分轨训练集和MUSDB调用方法
机器学习初学者必看，关注我，一起了解机器学习
03-30 3566
MUSDB18-HQ音乐分轨训练集和MUSDB调用方法MUSDB18和MUSDB18-HQ简单介绍MUSDB 组成解析器Musdb库API介绍用法举例设置musdb遍历MUSDB18曲目跟踪属性分离训练集和测试集使用深度学习网络训练musdb评估 Evaluation参考链接 MUSDB18和MUSDB18-HQ简单介绍 musdb18是一个数据集，包含150首不同类型的全长音乐(大约10小时的...
[语音分离]端到端声源分离研究：现状、进展和未来
五好市民金闪闪的博客
01-06 4043
本文是由罗艺老师主讲的『端到端声源分离研究进展』f分享整理而来。内容主要覆盖了单通道和多通道上端到端音源分离的现状和进展以及未来的研究方向。文末有彩蛋，评论可获取课程学习资料~ 端到端音源分离定义与进展 什么是端到端音源分离呢？罗艺老师首先介绍了端到端音源分离的定义。从名称来看，端到端的含义是模型输入源波形后直接输出目标波形，不需要进行傅里叶变换将时域信号转换至频域；音源分离的含义是将混合语音中的两个或多个声...
musdb18数据集的预处理
weixin_45739320的博客
04-07 1174
win10下处理musdb18数据集 下载musdb18的链接点我 想要将musdb18里的.stem.mp4文件批量处理成wav文件？首先，你需要安装musdb包 pip install musdb 接着，在命令行里运行下面的指令 musdbconvert <your_DIR> <target_DIR> #例如 musdbconvert musdb18 musdb18wav 不过我在用这条命令处理musdb18数据集时遇到了问题： TypeError: Invalid file
音源分离｜MUSIC SOURCE SEPARATION BASED ON A LIGHTWEIGHT DEEP LEARNING FRAMEWORK
cash_cp的博客
04-25 1293
本文中，介绍了一种新的轻量级架构DTTNet，它基于双路径模块和时频卷积时间分布全连接UNet（TFC-TDF UNet）
Python库 | tencentcloud-sdk-python-ie-3.0.424.tar.gz
03-11
通过这个库，开发者可以轻松实现语音数据的上传、识别结果的获取，以及自定义参数设置，如识别语种、音源类型等，满足不同场景的需求。 其次，使用Tencentcloud-sdk-python-ie进行开发非常简便。安装该库只需通过...
Python库 | synthizer-0.8.4-cp37-cp37m-win_amd64.whl
03-24
Python广泛用于web开发、数据分析、人工智能、自动化等多个领域。在Python中，库是预先编写好的代码集合，可以被其他程序调用，以实现特定功能。`synthizer`库就是这样的一个工具，它扩展了Python在音频处理方面的...
洛雪音源示例模板lx-music-source-example
04-19
洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例模板 洛雪音源示例...
MASSEF:多声道音源分离评估框架-matlab开发
05-29
多通道音源分离评估框架旨在促进音源分离算法的开发和评估。 该框架生成混合物，将混合物提供给分离算法，并评估分离算法的输出。 该框架还可以计算和评估理想的掩码以进行比较。 源可以有任意数量的通道； 框架评估...
Music-Separation-TF:使用STFT和CQT具有各种离线和实时算法的音乐源分离测试台，以及带有MUSDB18-HQ的PEASSBSSv4评估
03-21
音乐分离TF Music-Separation-TF包含用于HPSS（谐波/敲击声源分离）和谐波/敲击/声源分离的MATLAB实现集合： 算法 成分 技术 HPSS 谐波/打击乐 用软掩膜对STFT进行中值滤波 迭代HPSS 谐波/打击乐/残留 带有2个STFT和硬掩模的迭代中值滤波 带有CQT的迭代HPSS 谐音/打击乐/人声 带有2个STFT或1个STFT和1个CQT的迭代中值滤波，用于声源分离 时空拼图 ， 谐波/打击乐/残留 具有1个高1个低频分辨率Gabor分析+带阈值的熵准则的TF超块 WMDCT组套索 ， 谐波/打击乐 2个带有WMDCT帧的Gabor系统，用于音调/瞬态表示+时间和频率上的组套索 具有STFT的实时HPSS 谐波/打击乐 单次通过HPSS，可与滑动STFT和因果中值滤波器实时配合使用 带有sliCQ转换的实时HPSS 谐波/打击乐 单通HPSS可以与s
Deezer 的(Tensorflow)音源分离库，可用命令行直接提取音乐中的人声、钢琴、鼓声等-python
06-18
Deezer 的(Tensorflow)音源分离库，可用命令行直接提取音乐中的人声、钢琴、鼓声等 关于 Spleeter 是 Deezer 源代码分离库，带有用 Python 编写的预训练模型，并使用 Tensorflow。 它可以轻松训练源分离模型（假设您有一个孤立源的数据集），并提供已经训练好的最先进的模型来执行各种风格的分离：人声（歌声）/伴奏分离（2 个词干）人声 /鼓/贝斯/其他分离（4个词干） 人声/鼓/贝斯/钢琴/其他分离（5个词干） 2个词干和4个词干模型在musdb数据集上有很高的表现。 Spleeter 也非常快，因为在 GPU 上运行时，它可以将音频文件分离为 4 个词干，比实时速度快 100 倍。 我们设计了 Spleeter，因此您可以直接从命令行使用它，也可以直接在您自己的开发管道中作为 Python 库使用它。 它可以与 Conda、pip 一起安装或与 Docker 一起使用。 快速入门 想尝试但不想安装任何东西？ 我们已经设置了一个 Google Colab。 准备好深入了解了吗？ 在几行中，您可以使用 Conda 安装 Spleete
spleeter音乐人声分离模型_2stems.tar.gz
02-14
github下载较慢，可以从这下。详细使用请看我写的另一篇《spleeter音乐人声分离环境搭建和运行windows+ubuntu18.04》
音乐分轨训练集Musdb18与Musdb介绍
weixin_40568091的博客
02-11 4633
音乐分轨训练集Musdb18与Musdb介绍Musdb18&Musdb介绍Musdb18 训练集的数据格式Musdb库API介绍DB类音频类用法举例设置musdb遍历MUSDB18曲目跟踪属性分别处理训练和测试子集使用训练/验证拆分利用musdb训练深度神经网络评价参考连接： Musdb18&Musdb介绍 Musdb18是150个全长度的音乐曲目的数据集（〜10H持续时间）数据集...
探索音乐源分离的艺术：musdb，您的理想工具
最新发布
gitblog_00050的博客
06-11 384
探索音乐源分离的艺术：musdb，您的理想工具 sigsep-mus-dbPython parser and tools for MUSDB18 Music Separation Dataset项目地址:https://gitcode.com/gh_mirrors/si/sigsep-mus-db 项目简介 musdb 是一个强大的 Python 包，专为解析和处理 MUSDB18 数据集而设计...
MUSDB数据集的预处理
Ag_Seven的博客
04-26 1621
首先，要在官网下载musdb18的MP4格式的数据 下载数据集：MUSDB18 - a corpus for music separation | Zenodo 下载完成之后，还需要在anaconda下载musdb的包，0.2.3和0.4.0都可以 然后就在命令行预处理你的mp4格式数据集 musdbconvert <解压完的mp4数据集> <wav> #例如：musdbconvert <musdb18MP4> <datasets> 然后你就得到如
MUSDB数据集的预处理（方法二）
Ag_Seven的博客
05-22 721
保姆级数据集预处理
22. Asteroid: the PyTorch-based audio source separation toolkit for researchers
qq_41887799的博客
05-02 1016
本文介绍了用于研究人员的基于pytorch的音频源分离工具包Asteroid。受到最成功的神经源分离系统的启发，它提供了建立这样一个系统所需的所有神经构建模块。为了提高再现性，还提供了常见音频源分离数据集的 Asteroid’s recipes。本文介绍了Asteroid的软件体系结构及其主要功能。通过展示实验结果获得的Asteroid’s recipes，可以看见我们的实验结果取得了比较好的效果。 代码提供在github.com/mpariente/asteroid. 目录 1.介绍...
python音源分离
08-05
音源分离是一种音频处理技术，用于将混合音频中的不同音源（例如人声和背景音乐）分离出来。在Python中，你可以使用一些库来实现音源分离，如librosa、spleeter和tensorflow。下面以spleeter为例，介绍一下如何使用...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值