أظهرت النماذج الحديثة القائمة على التعلم العميق أن كتل التحويل الترددي (FT) يمكن أن تُحسّن بشكل كبير نماذج فصل المصدر الواحد القائمة على الطيف الترددي من خلال التقاط الأنماط الترددية. ويهدف هذا البحث إلى توسيع نطاق كتلة FT لتناسب المهام متعددة المصادر. نقترح كتلة التحويل الترددي المُوجهة بالغرض الخفي (LaSAFT) لالتقاط الأنماط الترددية المرتبطة بالمصادر. كما نقترح كتلة التحفيز النقاطي المُحكم (GPoCM)، وهي توسعة لتقنية التحفيز الخطي حسب الميزة (FiLM)، لتكييف الميزات الداخلية. وباستخدام هاتين الطريقة المبتكرتين، تم توسيع نموذج U-Net المشروط (CUNet) ليعمل في مهام فصل المصادر المتعددة، وقد أظهرت النتائج التجريبية أن كتل LaSAFT وGPoCM تُحسّن أداء CUNet، مما يحقق أفضل أداء مُسجّل من حيث معامل تحسين الجودة الصوتية (SDR) في عدة مهام فصل مصادر MUSDB18.