基于逐样本增益反演的音乐去限制器网络
声音
2024-06-25 v2 音频与语音处理
摘要
响度战争是音乐产业中一个持续存在的现象,其特征是音乐最终响度不断增加而动态范围被压缩,数十年来一直颇具争议。音乐母带工程师使用限制器对音乐进行重度压缩并提升响度,这可能导致听众耳疲劳与听力损失。本文中,我们提出音乐去限制器网络,用于从重度压缩信号中估计未压缩音乐。受限制器对给定信号执行逐样本增益衰减的原理启发,我们提出了逐样本增益反演(SGI)框架。我们还提出了musdb-XL-train数据集,该数据集由30万段通过商用限制器插件处理生成的片段组成,用于训练对真实场景友好的去限制器网络。我们所提出的去限制器网络在从musdb-XL数据(musdb-HQ的限制器应用版本)重建musdb-HQ时取得了优异性能,尺度不变信源失真比(SI-SDR)达24.0 dB。训练数据、代码与模型权重已在我们的代码仓库中提供(https://github.com/jeonchangbin49/De-limiter)。
引用
@article{arxiv.2308.01187,
title = {Music De-limiter Networks via Sample-wise Gain Inversion},
author = {Chang-Bin Jeon and Kyogu Lee},
journal= {arXiv preprint arXiv:2308.01187},
year = {2024}
}
备注
Results corrected as some bugs were found in the previous codes and dataset. Presented at WASPAA 2023