要約
音声信号の楽曲をボーカル成分とバックトラック成分に分解することは、混合スペクトログラムをその構成要素である音源に変換する画像間翻訳と類似している。本研究では、医療画像処理に当初開発されたU-Netアーキテクチャを、音源分離というタスクに新たな応用する手法を提案する。このアーキテクチャは、高品質な音声再生に必要な微細な低レベルの詳細を再現する能力が実証されており、本タスクに適していると考えられる。定量的評価および主観的評価の両面から実験を行った結果、提案手法が最先端の性能を達成することが示された。