FLOMSS: تقنية flow matching تفصل الموسيقى إلى 4 مسارات وتحتل المركز الثاني في الاستماع

ظل فصل الموسيقى إلى مسارات منفصلة طوال عشر سنوات من اختصاص النماذج التمييزية: تنظر الشبكة إلى المزيج وتتنبأ مباشرةً بمكان الغناء ومكان الباس. واقترح باحثون بقيادة Shuyang Cui نظام FLOMSS، وهو نظام يعالج المهمة نفسها بوصفها عملية توليد. يبني النموذج المسارات (stems) بطريقة flow matching للصوت الستيريو كامل النطاق ضمن صيغة المصادر الأربعة: الغناء، والباس، والإيقاع، و«البقية». واحتلت النسخة الأكبر FLOMSS-M المركز الثاني في التصنيف العام لاختبار الاستماع، لكنها تخلفت في SDR عن أنظمة الفصل التمييزية القوية.

أربعة خيارات فُحصت واحدًا تلو الآخر

لم يكتفِ المؤلفون بعرض بنية واحدة ناجحة، بل فكّكوا فضاء التصميم إلى عناصره. وقارنوا ما الذي يتنبأ به النموذج تحديدًا، وأي مسار يقود به التدفق الضجيج نحو البيانات، وأفضل طريقة لمعالجة المصادر، وكيف يمكن جعل المسارات تتجمّع مجددًا لتعطي المزيج الأصلي.

• هدف التنبؤ (prediction targets)؛
• شكل التدفق (flow paths)؛
• نمذجة مصدر واحد مقابل النمذجة المشتركة للمصادر الأربعة؛
• قيود اتساق المزيج (mixture consistency).

وفازت التوليفة المكوّنة من Optimal Transport-CFM مع x-prediction. فقد أعطت النتيجة الأكثر توازنًا عبر مجموعة المقاييس كلها. ولم تكن الأفضل في كل رقم، لكنها الأقل اختلالًا، وهذا عملي لنموذج توليدي يخضع لعدة معايير جودة.

SDR لم يعد المسطرة الوحيدة

يقيس SDR، أي نسبة الإشارة إلى التشويه، مدى تطابق الخرج مع المرجع على مستوى الموجة (waveform). وهذا مناسب للنماذج التمييزية التي تُحسِّن هذا التطابق تحديدًا. أما النموذج التوليدي فقد ينتج مقطع إيقاع مقنعًا يبدو صحيحًا للأذن، لكنه لا يطابق الأصل في الطور، فيعاقبه SDR على ذلك.

لهذا قيّم المؤلفون الفصل بخمس مجموعات من المقاييس:

• مستوى الإشارة (بما في ذلك SDR)؛
• المقاييس الطيفية؛
• المقاييس المبنية على التمثيلات المضمّنة (embeddings)؛
• المقاييس التوزيعية؛
• الاختبار الذاتي بالاستماع.

وظهر نتيجةً لذلك حل وسط بين التوزيع وإعادة البناء. فنماذج flow matching تحسّن التشابه الطيفي والتشابه في التمثيلات المضمّنة، لكنها تضحّي عادةً بجزء من SDR. وقد تكون هذه صفقة رابحة للمستمع، ولمهام مثل إعادة المزج (remix) أو أخذ العينات (sampling). أما في المهام التي تتطلب دقة على مستوى البت، فهي صفقة خاسرة.

نموذجان ومركز ثانٍ بلا مبالغة

قارن المؤلفون بين إعدادين على معيار MUSDB18-HQ.

• يتفوق FLOMSS-S على النماذج التوليدية الأساسية السابقة في معظم المقاييس الطيفية والإدراكية.
• يحسّن FLOMSS-M، وهو النسخة الموسّعة، جميع المقاييس الموضوعية المعلنة مقارنةً بـ FLOMSS-S، ويحتل المركز الثاني في التصنيف العام لاختبار الاستماع. لكن SDR لديه أقل من أنظمة الفصل التمييزية القوية.

هذا فوز حذر. فالنهج التوليدي لم يزح الطرق الكلاسيكية، لكنه اقترب منها كثيرًا من حيث الإدراك السمعي. وعبارة «المركز الثاني» تقول أكثر من رقم قياسي في مقياس واحد: فالمستمعون لا يعدّون النتيجة أسوأ بشكل جوهري من نتيجة المتصدر، مع أن أرقام إعادة البناء فيها أضعف.

لمن يفيد الفاصل التوليدي

بالنسبة إلى مطوري أدوات الصوت، الخلاصة الأساسية أن المقاييس يجب أن تُختار بحسب المهمة. فإذا كان المنتج مخصصًا للكاريوكي أو إعادة المزج أو إعداد مجموعات بيانات للنماذج التوليدية الموسيقية، فمن المنطقي النظر إلى المقاييس الطيفية ومقاييس التمثيلات المضمّنة وإلى الاستماع، وليس إلى SDR وحده. أما إذا كان المطلوب طرح الغناء من المسار الرئيسي (master) دون فقدان التفاصيل، فالنماذج التمييزية أكثر موثوقية حتى الآن.

وقدّم العمل للباحثين خريطة قرارات جاهزة: OT-CFM مع x-prediction نقطةَ انطلاق، ومجموعة مقاييس تكشف الجانب من الجودة الذي لا يراه SDR. ونشر المؤلفون صفحة عرض تجريبي تتضمن أمثلة على الفصل. ويبقى السؤال: هل ستُختصر الفجوة في SDR مع مواصلة توسيع النموذج؟ فالانتقال من S إلى M حسّن بالفعل جميع المؤشرات الموضوعية.