Abschlussarbeiten

Zurück zur Liste

Instrument-Specific Music Source Separation via Interpretable and Physics-Inspired Artificial Intelligence

Abstract Quellentrennung von Musik ist die Separierung einzelner Instrumentenspuren aus einer gemeinsamen Musikaufnahme. Die aktuell besten Methoden zur Musik-Quellentrennung verwenden ausnahmslos Neuronale Netze. Aktuell verwendete Netzwerkarchitekturen enthalten selten strukturelles Vorwissen über die Signalquellen, deren Signale aus dem musikalischen Mischsignal extrahiert werden sollen. Diese Arbeit behandelt das Thema, ob es möglich ist, Wissen über die Gitarre in ein neuronales Netzwerk für Musikquellentrennung mittels eines physikalischen Saitenmodells einzubringen.Weiters beschäftigt sie sich mit der Frage, ob und wie eine Verbesserung der Trennung von Gitarrensaitensignalen möglich ist, indem das physikalische Saitenmodell verfeinert wird, welches im neuronalen Netzwerk verwendet wird. Die vorgeschlagene Methode dient als proof of concept für die Einbringung von differenzierbarer Physical Modeling Synthese in die neuronale Musikquellentrennung. Dies führte zu einer Basis für potentiell qualitativ hochwertiger Gitarrensaiten-Signaltrennung. Mit noch besseren Methoden zur Quellentrennung von Musikinstrumenten ergeben sich unter anderem Anwendungen im Bereich der professionellen Audioproduktion wie Remixing, Upmixing, Einzelspuren aus Aufnahmen mit einem Hauptmikrofon erhalten, Verminderung von Mikrofon-Übersprechen (mic bleed) und feinere Kontrolle von Klangobjekten in einer Audiospur. Diese Methode ist nicht auf Anwendungen im Audiobereich beschränkt und könnte in Zukunft auf andere Felder erweitert werden.
Autor*innen Planton, M.
Betreuer*innen Höldrich, R.
Jahr 2023
Art der Arbeit Masterarbeit
URL https://phaidra.kug.ac.at/o:129491
Anmerkung Audiosignalverarbeitung
Status abgeschlossen
Keywords Computermusik und Elektronische Musik,Klanganalyse,Klangfarbe,Machine Learning