Les approches récentes basées sur l'apprentissage profond ont montré que les blocs de transformation de fréquence (FT) peuvent considérablement améliorer les modèles de séparation mono-source basés sur les spectrogrammes en capturant des motifs fréquentiels. L'objectif de cet article est d'étendre le bloc FT afin qu'il s'adapte à la tâche de séparation multi-sources. Nous proposons le bloc de transformation de fréquence attentif aux sources latentes (LaSAFT), conçu pour capturer des motifs fréquentiels dépendants des sources. Nous introduisons également la modulation convolutive ponctuelle à porte (GPoCM), une extension de la modulation linéaire par caractéristiques (FiLM), destinée à moduler les caractéristiques internes. En combinant ces deux méthodes novatrices, nous étendons le modèle Conditioned-U-Net (CUNet) à la séparation multi-sources. Les résultats expérimentaux montrent que notre LaSAFT et GPoCM améliorent significativement les performances du CUNet, atteignant un état de l'art en termes de rapport signal à interférence (SDR) sur plusieurs tâches de séparation de sources du jeu de données MUSDB18.