Details

Объектом исследования являются методы и подходы к разделению источников сигнала и преобразованиям звука. Целью работы является создание модульного фреймворка для обработки музыки, обеспечивающего разделение источников звука и их семантические преобразования, используя нейросетевые модели и классические методы обработки сигналов. Методология включает анализ существующих решений, подбор технологического стека, проектирование модульной архитектуру, программную реализацию с помощью Python, PyTorch, Demucs, Gradio, Pyrubberband, TorchMetrics и тестирование фреймворка с Pytest. В результате разработана модульная архитектура из независимых компонентов, интегрирована нейросетевая модель, создана система постобработки и реализовано разделение вокала на ведущий и фоновый. Фреймворк может быть использован музыкантами, звукоинженерами и создателями контента для обработки аудио как в образовательных целях, так и в коммерческих проектах.

The object of this research is methods and approaches to signal source separation and audio processing. The aim of this work is to develop a modular framework for music processing that enables the separation of sound sources and their semantic transformations, using neural network models and classical signal processing techniques. The methodology involves reviewing existing solutions, selecting a technology stack, designing a modular architecture, software implementation using Python, PyTorch, Demucs, Gradio, Pyrubberband, TorchMetrics, and testing the framework with Pytest. As a result, a modular architecture comprising independent components has been developed, the neural network Demucs has been integrated, a post-processing system has been created, and the separation of vocals into lead and background tracks has been implemented. The framework can be used by musicians, sound engineers and content creators for audio processing in both educational and commercial projects.