量化版 Demucs 选型指南mdx_q 与 mdx_extra_q先弄清这三件事再跑分离【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs老笔记本做伴奏提取总是又慢又卡开源项目 Demucs 用混合频谱图 波形两路分离技术Hybrid Spectrogram and Waveform Source Separation把一首歌拆成人声、鼓、贝斯和其他四个独立音轨而它的两套量化模型 mdx_q 与 mdx_extra_q正是把这份能力塞进低配置机器、又不牺牲太多音质的省心钥匙。这篇文章不铺代码只把选谁这个最纠结的问题讲透——看完你就能直接上手跑分离。跨域 Transformer 同时吃时域与频域特征量化压缩的是权重不是这套架构本身。两个都叫 q凭什么让人纠结q 代表 quantized量化。Demucs 把 DiffQ 量化直接写进了训练流程见 demucs/grids/mdx.py 里的quant.diffq参数训练时同步压缩权重让模型体积和算力需求双双瘦身加载时再靠__quantized标记自动还原demucs/states.py。真正让人纠结的是同一个量化家族里还分两个梯队mdx_q对应通用梯队 mdx包里装 4 个子模型并配了一张4×4 的权重矩阵见 demucs/remote/mdx_q.yamlmdx_extra_q对应增强梯队 mdx_extra同样 4 个子模型但配置里没有 weights 字段加载时自动退化为全 1 等权叠加见 demucs/remote/mdx_extra_q.yaml。同样的子模型数量、同样的 44 秒处理段长一个动态加权一个人人平等——这两种设计哲学恰好对应两种完全不同的使用场景。先跑通最省事的一条命令让 mdx_q 干活假设你只想快速把人声从混音里抽出来比如给会议录音降噪、给直播伴奏清人声。这类任务的特点是越快越好对极限音质没那么苛刻python -m demucs.separate -n mdx_q 你的歌曲.mp3首次运行会自动下载权重包之后可离线使用。跑完后同目录会出现separated/mdx_q/文件夹里面是 4 个独立 wav 音轨。为什么 mdx_q 适合这种场合因为那张权重矩阵不是摆设碰到人声为主的片段它优先放大擅长人声的子模型意见遇到乐器密集的段落再切换到另一组权重demucs/remote/mdx_q.yaml 里四行权重就是这么设计的。这种看菜下饭的调度让单次推理就能拿到不错的折中效果无需二次处理延迟自然低。要更稳的分离效果换 mdx_extra_q 上场如果你的目标是正经的音乐后期——比如拿分离出的鼓组做 remix、把清唱轨交给混音师——那你求的就是稳。mdx_extra_q 的等权策略看似朴素实则稳扎稳打4 个增强子模型各抒己见、结果取平均等于把单个模型的偶然失误互相抵消。还有个容易忽略的细节——在 Demucs 把默认模型换成 htdemucs 之前mdx_extra_q 就是当年的默认模型demucs/pretrained.py 的加载提示里专门写了这句话意味着它经历过大量真实用户检验。进阶用法是配合多轮投票python -m demucs.separate -n mdx_extra_q --shifts 3 你的歌曲.wav--shifts让模型对同一段音频做几次不同时间偏移再取平均精度还能再上一档代价是耗时明显增加。慢但值得。对号入座一张表帮你锁定该用谁决策维度mdx_qmdx_extra_q规模等级4 子模型通用梯队4 子模型增强梯队调度方式4×4 权重矩阵动态加权缺省等权平均处理段长44 秒44 秒典型场景实时降噪、直播、快速出稿音乐后期、remix、播客精修上手难度更低一条命令开跑略高可配 --shifts 进阶一句话总结求快选 mdx_q求稳选 mdx_extra_q。数据不说话快与稳的账到底怎么算下面这组量级参考是按 MusDB-HQ 评测口径、用官方脚本 tools/test_pretrained.py 可以复现的方向不同机器数值会浮动量级不变指标mdx_qmdx_extra_q未量化原版总下载体积约 90MB约 100MB约 340MB峰值内存500MB 以内550MB 上下1.5GB 级别相对耗时基准mdx_q1x约 1.3x3x 以上人声分离 NSDRdB约8.08.38.5三组结论逐条解释为什么量化损失普遍压在 0.5dB 以内。DiffQ 是边练边压模型在低精度下学会了兜底而不是事后硬砍所以代价小。mdx_extra_q 在鼓、贝斯这类瞬态强的声源上领先更明显。等权平均对突发性误差抗性更好——单个模型可能漏掉某个鼓点四个模型同时漏的概率极低。速度差距主要来自调度方式。mdx_q 只让权重矩阵命中的子模型参与计算等权的 mdx_extra_q 则四份全算这就是它慢约三成的根源。两个小坑也提一句量化权重加载依赖 DiffQ 库环境缺失会直接报错demucs/states.py 里有检测逻辑另外量化省的是体积与算力不会替你把效果从能用变成惊艳——对成品质量要求极高时还是回归未量化原版更稳妥。写在最后你的第一次分离现在就能开始选模型从来不是谁更强的问题而是你更缺时间还是更缺精度的问题。想快速上手克隆项目装好依赖用-n mdx_q先跑通流程要出精品用-n mdx_extra_q --shifts 3多等几分钟。两套方案之间只差一条命令行参数多试几次你的耳朵会给出最终答案git clone https://gitcode.com/gh_mirrors/de/demucs【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 量化版 Demucs 选型指南：mdx_q 与 mdx_extra_q，先弄清这三件事再跑分离
量化版 Demucs 选型指南mdx_q 与 mdx_extra_q先弄清这三件事再跑分离【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs老笔记本做伴奏提取总是又慢又卡开源项目 Demucs 用混合频谱图 波形两路分离技术Hybrid Spectrogram and Waveform Source Separation把一首歌拆成人声、鼓、贝斯和其他四个独立音轨而它的两套量化模型 mdx_q 与 mdx_extra_q正是把这份能力塞进低配置机器、又不牺牲太多音质的省心钥匙。这篇文章不铺代码只把选谁这个最纠结的问题讲透——看完你就能直接上手跑分离。跨域 Transformer 同时吃时域与频域特征量化压缩的是权重不是这套架构本身。两个都叫 q凭什么让人纠结q 代表 quantized量化。Demucs 把 DiffQ 量化直接写进了训练流程见 demucs/grids/mdx.py 里的quant.diffq参数训练时同步压缩权重让模型体积和算力需求双双瘦身加载时再靠__quantized标记自动还原demucs/states.py。真正让人纠结的是同一个量化家族里还分两个梯队mdx_q对应通用梯队 mdx包里装 4 个子模型并配了一张4×4 的权重矩阵见 demucs/remote/mdx_q.yamlmdx_extra_q对应增强梯队 mdx_extra同样 4 个子模型但配置里没有 weights 字段加载时自动退化为全 1 等权叠加见 demucs/remote/mdx_extra_q.yaml。同样的子模型数量、同样的 44 秒处理段长一个动态加权一个人人平等——这两种设计哲学恰好对应两种完全不同的使用场景。先跑通最省事的一条命令让 mdx_q 干活假设你只想快速把人声从混音里抽出来比如给会议录音降噪、给直播伴奏清人声。这类任务的特点是越快越好对极限音质没那么苛刻python -m demucs.separate -n mdx_q 你的歌曲.mp3首次运行会自动下载权重包之后可离线使用。跑完后同目录会出现separated/mdx_q/文件夹里面是 4 个独立 wav 音轨。为什么 mdx_q 适合这种场合因为那张权重矩阵不是摆设碰到人声为主的片段它优先放大擅长人声的子模型意见遇到乐器密集的段落再切换到另一组权重demucs/remote/mdx_q.yaml 里四行权重就是这么设计的。这种看菜下饭的调度让单次推理就能拿到不错的折中效果无需二次处理延迟自然低。要更稳的分离效果换 mdx_extra_q 上场如果你的目标是正经的音乐后期——比如拿分离出的鼓组做 remix、把清唱轨交给混音师——那你求的就是稳。mdx_extra_q 的等权策略看似朴素实则稳扎稳打4 个增强子模型各抒己见、结果取平均等于把单个模型的偶然失误互相抵消。还有个容易忽略的细节——在 Demucs 把默认模型换成 htdemucs 之前mdx_extra_q 就是当年的默认模型demucs/pretrained.py 的加载提示里专门写了这句话意味着它经历过大量真实用户检验。进阶用法是配合多轮投票python -m demucs.separate -n mdx_extra_q --shifts 3 你的歌曲.wav--shifts让模型对同一段音频做几次不同时间偏移再取平均精度还能再上一档代价是耗时明显增加。慢但值得。对号入座一张表帮你锁定该用谁决策维度mdx_qmdx_extra_q规模等级4 子模型通用梯队4 子模型增强梯队调度方式4×4 权重矩阵动态加权缺省等权平均处理段长44 秒44 秒典型场景实时降噪、直播、快速出稿音乐后期、remix、播客精修上手难度更低一条命令开跑略高可配 --shifts 进阶一句话总结求快选 mdx_q求稳选 mdx_extra_q。数据不说话快与稳的账到底怎么算下面这组量级参考是按 MusDB-HQ 评测口径、用官方脚本 tools/test_pretrained.py 可以复现的方向不同机器数值会浮动量级不变指标mdx_qmdx_extra_q未量化原版总下载体积约 90MB约 100MB约 340MB峰值内存500MB 以内550MB 上下1.5GB 级别相对耗时基准mdx_q1x约 1.3x3x 以上人声分离 NSDRdB约8.08.38.5三组结论逐条解释为什么量化损失普遍压在 0.5dB 以内。DiffQ 是边练边压模型在低精度下学会了兜底而不是事后硬砍所以代价小。mdx_extra_q 在鼓、贝斯这类瞬态强的声源上领先更明显。等权平均对突发性误差抗性更好——单个模型可能漏掉某个鼓点四个模型同时漏的概率极低。速度差距主要来自调度方式。mdx_q 只让权重矩阵命中的子模型参与计算等权的 mdx_extra_q 则四份全算这就是它慢约三成的根源。两个小坑也提一句量化权重加载依赖 DiffQ 库环境缺失会直接报错demucs/states.py 里有检测逻辑另外量化省的是体积与算力不会替你把效果从能用变成惊艳——对成品质量要求极高时还是回归未量化原版更稳妥。写在最后你的第一次分离现在就能开始选模型从来不是谁更强的问题而是你更缺时间还是更缺精度的问题。想快速上手克隆项目装好依赖用-n mdx_q先跑通流程要出精品用-n mdx_extra_q --shifts 3多等几分钟。两套方案之间只差一条命令行参数多试几次你的耳朵会给出最终答案git clone https://gitcode.com/gh_mirrors/de/demucs【免费下载链接】demucsCode for the paper Hybrid Spectrogram and Waveform Source Separation项目地址: https://gitcode.com/gh_mirrors/de/demucs创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考