نُقدِّم نموذجًا هرميًا مُستوحى من التعلم التلوي (meta-learning) لفصل مصادر الموسيقى (Meta-TasNet)، حيث يتم استخدام نموذج مُولِّد لتوقع أوزان نماذج الاستخراج الفردية. يُمكّن هذا النهج من مشاركة فعّالة للبارامترات، مع الحفاظ على إمكانية التخصيص حسب الآلات الموسيقية. وقد أظهرت النتائج أن Meta-TasNet أكثر فعالية من النماذج التي تُدرَّس بشكل مستقل أو في بيئة متعددة المهام، وتحقق أداءً يُقارن بأفضل الطرق الحالية. وبالمقارنة مع هذه الطرق، تحتوي استخراجاتنا على عدد أقل من البارامترات، وتوفر أداءً أسرع في التنفيذ. ونناقش الاعتبارات المعمارية الهامة، ونستعرض التكاليف والفوائد المرتبطة بهذا النهج.