Dans cet article, nous présentons un réseau neuronal efficace pour la séparation audio généraliste en bout-en-bout. Plus précisément, la structure principale de ce réseau convolutionnel repose sur le mécanisme de SUccessive DOwnsampling et Resampling de Fonctionnalités Multi-Résolution (SuDoRMRF), ainsi que sur leur agrégation réalisée à l’aide de convolutions unidimensionnelles simples. Grâce à cette approche, nous parvenons à obtenir une séparation audio de haute qualité tout en limitant le nombre d’opérations à virgule flottante, les besoins en mémoire, le nombre de paramètres et la latence. Nos expériences menées sur des jeux de données de séparation de paroles et de sons environnementaux montrent que SuDoRMRF atteint des performances comparables, voire supérieures, à diverses approches de pointe, tout en nécessitant des ressources computationnelles significativement plus faibles.