Bemutatjuk Multi Stem HQ

A Multi Stem HQ a fejlett Band-Split architektúrán alapul. A hagyományos modellektől eltérően, amelyek a teljes spektrogramot egyetlen képként dolgozzák fel, ez a technológia az audiót több frekvenciasávra osztja.

Ez lehetővé teszi a modell számára, hogy minden frekvenciatartományra külön jellemzőket tanuljon meg – így a basszus mély rezonanciáját a vokál bonyolult harmonikus hangjaitól függetlenül rögzíti. Ennek eredményeként jelentősen csökken a spektrális szivárgás és az artefaktumok.

Ezenkívül az architektúra integrálja a Rotary Position Embeddings (RoPE) technológiát. Ez a matematikai innováció lehetővé teszi a transzformátor számára, hogy a standard abszolút pozícióbeágyazásoknál hatékonyabban megértse az audio jellemzők relatív pozícióját az időben. Ez lehetővé teszi a modell számára, hogy hosszabb zenei frázisok során is megőrizze a koherenciát, biztosítva, hogy az átmeneti hangok, például a dobütések élesek legyenek, a tartott hangok pedig simák.