DOSE：鼓乐器单次提取
音频与语音处理
2025-04-28 v1 声音
摘要
鼓乐器单次样本在音乐制作中至为重要，尤其在声音设计和电子音乐中。本文提出鼓乐器单次提取（Drum One-Shot Extraction）这一任务，其目标是从音乐混合音中提取出存在的鼓乐器单次样本。为促进这一任务的实现，我们提出了随机混合单次数据集（RMOD），该数据集由大规模随机排列的音乐混合音及其对应的鼓乐器单次样本组成。我们提出的模型鼓乐器单次提取器（DOSE）利用神经音频编解码器语言模型进行端到端提取，绕过传统的源分离步骤。此外，我们引入了一种新颖的 onset loss，用于鼓励准确预测鼓乐器单次样本的初始瞬态，这对于捕捉时域特征至关重要。我们将其方法与基于源分离的提取方法进行基准测试比较。结果通过 Frechet Audio Distance（FAD）和多尺度谱损失（MSS）进行评估，表明增强了 onset loss 的 DOSE 在提取音乐混合音中更准确、更高质量的鼓乐器单次样本方面优于基准方法。代码、模型检查点和音频示例均可在 https://github.com/HSUNEH/DOSE 获取。
引用
@article{arxiv.2504.18157,
title = {DOSE : Drum One-Shot Extraction from Music Mixture},
author = {Suntae Hwang and Seonghyeon Kang and Kyungsu Kim and Semin Ahn and Kyogu Lee},
journal= {arXiv preprint arXiv:2504.18157},
year = {2025}
}
备注
Published in IEEE ICASSP 2025