ترجمه فارسی مقاله جداسازی منبع موسیقی خام چند منبعی با استفاده از رمزگذار خودکار متغیر کوانتیزه شده باقیمانده

چکیده

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

چکیده به فارسی (ترجمه ماشینی)

من یک مدل کدک صوتی عصبی را بر اساس معماری AutoEncoder متغیر با کمیت باقیمانده تدوین کردم.من مدل را در مجموعه داده SLAKH2100 آموزش می دهم ، یک مجموعه داده استاندارد برای جداسازی منبع موسیقی ، متشکل از صدای چند آهنگ.این مدل می تواند منابع صوتی را از هم جدا کند و تقریباً با قدرت محاسباتی بسیار کمتری به نتایج SOTA برسد.این کد به طور عمومی در github.com/leonardoberti00/source-eparation-of-multi-source-source-using-rizidual-quantizad-variational-autoencoder در دسترس است