摘要

近年来，基于时域的方法（即直接建模原始波形的方法）在语音源分离领域展现出巨大潜力。本文提出一种新模型，通过跨域编码器（Cross-domain Encoder, CDE）融合时域特征与复数谱图域特征，并采用分层时序卷积网络（Hierarchic Temporal Convolutional Network, HTCN）实现多音乐源的分离。CDE旨在使网络能够有效编码时域与复数谱图域特征之间的交互信息，而HTCN则具备捕捉长时序依赖关系的能力。此外，我们在HTCN中设计了特征校准单元（Feature Calibration Unit, FCU），并在训练阶段采用多阶段训练策略。消融实验验证了模型中各组件的有效性。我们在MUSDB18数据集上进行了实验，结果表明，所提出的CDE-HTCN模型优于当前最先进的方法。与当前最优方法DEMUCS相比，该模型在平均信噪比改善（SDR）上提升了0.61 dB；尤为显著的是，对于低音（bass）声源的SDR提升幅度达到0.91 dB，表现出显著优势。