Demucs
Meta（Facebook AI Research）于2019年开源的音源分离模型，采用编码器-解码器架构，直接在原始波形上进行学习，后续版本引入混合Transformer结构，是目前主流的开源音源分离工具之一。
时间轴 (近 90 天)
人声分离通常基于频谱掩码或深度学习模型（如 Demucs、Spleeter）实现。
音轨分离（stem extraction）是将混合音频拆解为人声、鼓组、贝斯等独立轨道的技术，常见工具如Demucs
Demucs最新的Hybrid Transformer版本在信号失真比（SDR）上达到了约9dB的水平
Meta Research开源的Demucs和Deezer开发的Spleeter是音轨分离领域的里程碑模型，基于U-Net或Transformer架构
Demucs 由 Meta（Facebook）的研究团队开发
Demucs v4 在多项国际音轨分离基准测试（如 MDX Challenge）中保持领先水平
Demucs 早期版本在时域（波形）上直接操作，后续的 Hybrid Demucs（v3）和 HTDemucs（v4）采用同时在时域和频域处理的混合域策略
全部知识事实 (7)
人声分离通常基于频谱掩码或深度学习模型（如 Demucs、Spleeter）实现。
50%待验证音轨分离（stem extraction）是将混合音频拆解为人声、鼓组、贝斯等独立轨道的技术，常见工具如Demucs
50%待验证Demucs最新的Hybrid Transformer版本在信号失真比（SDR）上达到了约9dB的水平
50%待验证Meta Research开源的Demucs和Deezer开发的Spleeter是音轨分离领域的里程碑模型，基于U-Net或Transformer架构
50%待验证Demucs 由 Meta（Facebook）的研究团队开发
50%待验证Demucs v4 在多项国际音轨分离基准测试（如 MDX Challenge）中保持领先水平
50%待验证Demucs 早期版本在时域（波形）上直接操作，后续的 Hybrid Demucs（v3）和 HTDemucs（v4）采用同时在时域和频域处理的混合域策略
50%