要約
現在の大部分の成功している音源分離技術は、入力として振幅スペクトログラムを使用しており、信号の一部である位相をデフォルトで省略しています。有用な情報が含まれている可能性があるため、これを省略しないようにするために、エンドツーエンドモデルを用いた音楽音源分離の実現可能性を研究しました。このモデルは、生のオーディオ信号に含まれるすべての情報を考慮に入れます（位相を含む）。過去数十年間、エンドツーエンドの音楽音源分離はほとんど不可能とされてきましたが、私たちの結果は波形ベースのモデルがスペクトログラムベースの深層学習モデルと同等（またはそれ以上）の性能を発揮できることが確認されました。具体的には、提案するWaveNetベースのモデルとWave-U-Netが最近開発されたスペクトログラムベースの深層学習モデルであるDeepConvSepを上回ることが示されています。