La séparation de sources musicales consiste à décomposer une musique en ses composantes constitutives, par exemple en isolant séparément les pistes vocales, le basse et les percussions. Cette séparation trouve de nombreuses applications, allant du réarrangement ou de la réutilisation des pistes (remixage, repanning, upmixing) à une extraction complète (création de versions karaoke, génération d’échantillons, restauration audio). La séparation musicale fait l’objet d’une longue histoire de recherches scientifiques, car elle est reconnue comme un problème extrêmement difficile. Ces dernières années, les systèmes basés sur l’apprentissage profond ont permis, pour la première fois, des séparations de haute qualité, suscitant ainsi un intérêt commercial croissant. Toutefois, jusqu’à présent, aucune implémentation open source ne proposait des résultats à l’état de l’art.Open-Unmix comble cette lacune en offrant une implémentation de référence basée sur des réseaux de neurones profonds. Elle répond à deux objectifs principaux. Premièrement, accélérer la recherche académique : Open-Unmix fournit des implémentations pour les frameworks d’apprentissage profond les plus populaires, permettant ainsi aux chercheurs de reproduire facilement les résultats. Deuxièmement, nous proposons un modèle pré-entraîné destiné aux utilisateurs finaux, y compris aux artistes, afin qu’ils puissent expérimenter et utiliser la séparation de sources. En outre, Open-Unmix a été conçu comme un composant central d’un écosystème ouvert dédié à la séparation musicale, au sein duquel nous mettons déjà à disposition des jeux de données open source, des utilitaires logiciels et des protocoles d’évaluation ouverts, afin de favoriser la recherche reproductible, qui constitue la base du développement futur.