我们提出一种受元学习启发的分层模型——Meta-TasNet，用于音乐源分离任务。该模型采用生成器网络来预测各个提取器模型的权重，从而在保持乐器特异性参数化能力的同时，实现高效的参数共享。实验结果表明，Meta-TasNet在性能上优于独立训练或采用多任务学习方式的模型，并达到与当前最先进方法相媲美的水平。相较于后者，我们的提取器模型参数量更少，运行速度更快。本文还探讨了模型架构中的关键设计考量，并分析了该方法所带来成本与收益的权衡。