Sanidha：面向卡尔纳蒂族音乐的工作室质量多模态数据集

音源分离将一段音乐分割为其各个声源（人声、打击乐器、旋律乐器等），这是一项没有简单数学解法的任务。它需要依赖于在大型隔离音乐 stems 数据集上进行深度学习训练。目前最常用的数据集来自商业西方音乐，限制了模型在非西方风格（如卡尔纳蒂族音乐）中的应用。卡尔纳蒂族音乐是一种口头传统，其可用的多轨录音包含重叠声音和声源之间的干扰。这给了像 Spleeter 和 Hybrid Demucs 等商业音源分离模型带来挑战。本文介绍了“Sanidha”，这是第一个开源的、为卡尔纳蒂族音乐设计的新型数据集，提供工作室质量的多轨录音，几乎没有重叠或干扰。除了音频文件，我们还提供了艺术家表演的高清视频。此外，我们对 Spleeter（最常用的音源分离模型之一）进行微调，并在针对卡尔纳蒂族多轨数据集的微调结果上观察到 SDR 性能的提升。经微调后的模型输出通过听觉研究进行评估。