La plupart des techniques actuellement réussies de séparation de sources utilisent le spectrogramme de magnitude comme entrée, et omettent donc par défaut une partie du signal : la phase. Pour éviter d'omettre des informations potentiellement utiles, nous étudions la viabilité d'utilisation de modèles d'extrémité à extrémité pour la séparation des sources musicales --- qui prennent en compte toutes les informations disponibles dans le signal audio brut, y compris la phase. Bien que pendant les dernières décennies, la séparation des sources musicales d'extrémité à extrémité ait été considérée presque comme inaccessible, nos résultats confirment que les modèles basés sur la forme d'onde peuvent performer aussi bien (sinon mieux) qu'un modèle d'apprentissage profond basé sur le spectrogramme. Plus précisément : un modèle basé sur Wavenet que nous proposons et Wave-U-Net peuvent surpasser DeepConvSep, un modèle récent d'apprentissage profond basé sur le spectrogramme.