基于残差量化变分自编码器的多源原始音乐源分离
Source Separation of Multi-source Raw Music using a Residual Quantized Variational Autoencoder
AI总结：
本研究提出一种基于残差量化变分自编码器的神经音频编解码器模型，在Slakh2100数据集上训练后可实现音乐源分离，以远低于现有方法的算力取得接近当前最优水平的效果，且代码已公开。
摘要：
我开发了一种基于残差量化变分自编码器架构的神经音频编解码器模型。我在Slakh2100数据集（音乐源分离的标准数据集，由多轨音频组成）上训练该模型。该模型能够分离音频源，以低得多的算力取得了接近SoTA（当前最优水平）的结果。代码已在github.com/LeonardoBerti00/Source-Separation-of-Multi-source-Music-using-Residual-Quantizad-Variational-Autoencoder公开。
英文摘要：
I developed a neural audio codec model based on the residual quantized variational autoencoder architecture. I train the model on the Slakh2100 dataset, a standard dataset for musical source separation, composed of multi-track audio. The model can separate audio sources, achieving almost SoTA results with much less computing power. The code is publicly available at github.com/LeonardoBerti00/Source-Separation-of-Multi-source-Music-using-Residual-Quantizad-Variational-Autoencoder
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
