An Overview of Lead and Accompaniment Separation in Music

Popular music is often composed of an accompaniment and a lead component, the latter typically consisting of vocals. Filtering such mixtures to extract one or both components has many applications, such as automatic karaoke and remixing. This particular case of source separation yields very specific challenges and opportunities, including the particular complexity of musical structures, but also relevant prior knowledge coming from acoustics, musicology or sound engineering. Due to both its importance in applications and its challenging difficulty, lead and accompaniment separation has been a popular topic in signal processing for decades. In this article, we provide a comprehensive review of this research topic, organizing the different approaches according to whether they are model-based or data-centered. For model-based methods, we organize them according to whether they concentrate on the lead signal, the accompaniment, or both. For data-centered approaches, we discuss the particular difficulty of obtaining data for learning lead separation systems, and then review recent approaches, notably those based on deep learning. Finally, we discuss the delicate problem of evaluating the quality of music separation through adequate metrics and present the results of the largest evaluation, to-date, of lead and accompaniment separation systems. In conjunction with the above, a comprehensive list of references is provided, along with relevant pointers to available implementations and repositories.

مروری بر جدایی سرب و سرب در موسیقی

موسیقی محبوب اغلب از یک همراهی و جز سرب ترکیب می‌شود و دومی معمولا شامل آواز است. استفاده از این مخلوط‌ها برای استخراج یک یا هر دو جز کاربردهای زیادی دارد، مانند کاراوکه و remixing خودکار. این مورد خاص از جداسازی منبع، چالش‌ها و فرصت‌های بسیار خاص، از جمله پیچیدگی خاص ساختارهای موسیقی، و همچنین دانش قبلی مرتبط از آکوستیک، musicology یا مهندسی صدا را به دست می‌دهد. به خاطر اهمیت آن در کاربردها و مشکل چالش برانگیز آن، جدایی سرب و همراهی یک موضوع محبوب در پردازش سیگنال برای دهه‌ها بوده‌است. در این مقاله، مروری جامع بر این موضوع تحقیق، سازماندهی رویکردهای مختلف براساس این که آیا آن‌ها مبتنی بر مدل هستند یا مبتنی بر داده محور هستند، ارایه می‌کنیم. برای روش‌های مبتنی بر مدل، ما آن‌ها را براساس این که آیا بر روی سیگنال سربی، همراهی و یا هر دو تمرکز می‌کنند، سازماندهی می‌کنیم. در رویکردهای مبتنی بر داده، ما مشکل خاص کسب اطلاعات برای سیستم‌های جداسازی سرب را مورد بحث قرار می‌دهیم و سپس رویکردهای اخیر، خصوصا آن‌هایی که براساس یادگیری عمیق هستند را مرور می‌کنیم. در نهایت، ما مساله ظریف ارزیابی کیفیت جداسازی موسیقی را از طریق معیارهای مناسب مورد بحث قرار می‌دهیم و نتایج بزرگ‌ترین ارزیابی، تا به امروز، از سیستم‌های جداسازی سرب و همراهی را ارایه می‌کنیم. در ارتباط با بالا، یک لیست جامع از مراجع، بهمراه نکات مربوط به پیاده‌سازی و مخازن در دسترس، ارایه شده‌است.

ترجمه شده با

پر ارجاع‌ترین مقالات مرتبط:

مقاله Electrical and Electronic Engineering
ترجمه مقاله Electrical and Electronic Engineering
مقاله مهندسی برق و الکترونیک
ترجمه مقاله مهندسی برق و الکترونیک
مقاله Instrumentation
ترجمه مقاله Instrumentation
مقاله دستگاهش
ترجمه مقاله دستگاهش
مقاله Acoustics and Ultrasonics
ترجمه مقاله Acoustics and Ultrasonics
مقاله آکوستیک و فراصوت
ترجمه مقاله آکوستیک و فراصوت
مقاله Signal Processing
ترجمه مقاله Signal Processing
مقاله پردازش سیگنال
ترجمه مقاله پردازش سیگنال
مقاله Linguistics and Language
ترجمه مقاله Linguistics and Language
مقاله زبان‌شناسی و زبان
ترجمه مقاله زبان‌شناسی و زبان
مقاله Media Technology
ترجمه مقاله Media Technology
مقاله تکنولوژی رسانه‌ای
ترجمه مقاله تکنولوژی رسانه‌ای
مقاله Speech and Hearing
ترجمه مقاله Speech and Hearing
مقاله گفتار و شنوایی
ترجمه مقاله گفتار و شنوایی

سفارش ترجمه مقاله و کتاب - شروع کنید

بلاگ

درباره ما

نمادهای اعتبار

اطلاعات تماس

انتخاب زمینه ترجمه

کیفیت ترجمه

مهلت ترجمه و توضیحات