from transformers import AutoModel
import soundfile
import torch
import librosa

model_name = "HiDolen/Mini-BS-RoFormer-V2-46.8M"
model = AutoModel.from_pretrained(
    model_name,
    trust_remote_code=True,
)
model.to("cuda")

# 加载音频
file = "./Bruno Mars - Runaway Baby.mp3"
waveform, sr = librosa.load(file, sr=44100, mono=False)
waveform = torch.tensor(waveform).float()
waveform = waveform.to("cuda")

# 进行推理
result = model.separate(
    waveform,
    batch_size=2,
    verbose=True,
)

# 保存处理结果
for i in range(result.shape[0]):
    soundfile.write(f"separated_stem_{i}.wav", result[i].cpu().numpy().T, 44100)

以上代码会分离出 bass、drums、other 和 vocal 四个轨道。若想只分离人声和伴奏两轨，在最后保存音频时合并即可：

python

···

result = model.separate(
    waveform,
    batch_size=2,
    verbose=True,
)

# 合并 bass、drums、other 作为伴奏
instrumental = result[0] + result[1] + result[2]
vocals = result[3]
result = torch.stack([instrumental, vocals], dim=0)
for i in range(result.shape[0]):
    soundfile.write(f"separated_stem_{i}.wav", result[i].cpu().numpy().T, 44100)

Differences from the previous version

Mini-BS-RoFormer-V2 相比于之前版本的主要改进：

使用 bf16-true 精度进行训练
使用 muon 优化器训练 transformer 层，加速收敛
音频输入的 stft 运算，使用的 n_fft 从 2048 变为 4096。音频输出维持在 n_fft=2048
freq_band 从原来的 62 段分频更换为基于梅尔频率的 80 段分频
时间维度下采样，采样步长为 4。大大减少了训练和推理的运算量
MaskEstimator 额外预测 gate 门控，输出音频的空白部分会更加安静
其他若干代码修改

Training Details

使用 MUSDB18HQ 数据集的 train 和 test 集进行训练。

学习率恒定 5e-4，以 batch_size=16 训练 310k 步。

对 transformer 层使用 Muon 优化器，其他网络层使用 AdamW 优化器。

Acknowledgments

https://github.com/lucidrains/BS-RoFormer
https://arxiv.org/abs/2309.02612 (Music Source Separation with Band-Split RoPE Transformer)