IA com 1 milhão de parâmetros separa fala de música e ruído de ventilador

Autoria: Prompt Engineer 48 · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: 1M Parameter AI Pulls Speech Out of Music + Fan Noise · Canal: Prompt Engineer 48 · 10:27 · Assistir no YouTube

Tópicos: Avaliação e benchmarks de IA, Inferência e otimização de modelos, Modelos locais e open source, Modelos multimodais

Resumo

O vídeo testa o Dynamic Band Splitting (DBS), método que escolhe dinamicamente as divisões de frequência do áudio, com foco no modelo DBS-Tiger, de cerca de 1 milhão de parâmetros. Em uma mixagem sintética de 35,6 segundos com fala, música e ruído de ventilador, o DBS-Tiger elevou a métrica SI-SDR da fala de 1,3 dB para 12,04 dB; o ventilador, porém, não foi isolado em uma faixa própria. O teste local foi feito em um laptop com RTX 4060 e 8 GB de VRAM: o modelo menor foi mais lento que o DBS-BSRNN, apesar de apresentar resultados melhores para fala e música nesse exemplo. O apresentador ressalta que o teste envolveu apenas um arquivo e não é um benchmark, e recomenda cautela ao generalizar os resultados.

Pontos-chave

O DBS prevê limites de bandas de frequência a partir do próprio áudio, mantendo fixo o número de tokens de banda.
O DBS-Tiger tem cerca de 1 milhão de parâmetros, enquanto o DBS-BSRNN tem cerca de 4,7 milhões.
No teste sintético, a métrica SI-SDR da fala com DBS-Tiger passou de 1,3 dB para 12,04 dB.
O DBS-Tiger obteve 8,67 dB na música, contra 2,94 dB do DBS-BSRNN nessa mixagem.
O ruído de ventilador não foi separado em uma faixa própria; parte dele apareceu na faixa de efeitos do DBS-Tiger.
Na GPU, o DBS-Tiger levou 10,4 segundos e o DBS-BSRNN, 5,1 segundos para processar o arquivo de 35,6 segundos.
O pico de VRAM observado foi de aproximadamente 1,2 GB no DBS-Tiger e 1,05 GB no DBS-BSRNN.
O teste foi feito em apenas um arquivo sintético e não deve ser tratado como benchmark; os resultados dos autores abrangem 973 faixas de teste.

Capítulos

Início	Capítulo	Resumo
00:00	O método DBS e as alegações do artigo	O vídeo apresenta a separação dinâmica de bandas, compara os modelos disponíveis e resume os resultados divulgados pelos autores.
03:12	Modelos, demonstração e instalação local	O apresentador explora os resultados e a demonstração online, instala o pacote no laptop e confirma a contagem de parâmetros.
05:16	Teste de separação com fala, música e ventilador	Em uma mixagem sintética, o DBS-Tiger melhora a métrica da fala, mas o ventilador não é separado em uma faixa própria.
08:21	Velocidade, limitações e veredito	O vídeo compara tempos e uso de VRAM, ressalva o escopo limitado do teste e apresenta as recomendações finais.

Citações

E esta é a fala que sai disso, de um modelo com apenas 1 milhão de parâmetros. — 00:00

O modelo com 1 milhão de parâmetros pontua mais alto que o de 4,7 milhões em todas as linhas. — 03:12

Eu diria que é utilizável, mas não tem qualidade de estúdio. — 07:18

Isso não é um benchmark. — 08:52

Se você precisa de uma faixa limpa de ventilador ou ruído, ele não vai fazer isso. — 09:24

Conceitos e entidades

Dynamic Band Splitting (DBS) (conceito): Método de separação de fontes de áudio que prevê dinamicamente os limites das bandas de frequência a partir da mixagem.
DBS-Tiger (modelo): Modelo DBS com cerca de 1 milhão de parâmetros, testado para separar fala, música e efeitos sonoros.
DBS-BSRNN (modelo): Modelo DBS baseado em BSRNN, com cerca de 4,7 milhões de parâmetros, comparado ao DBS-Tiger.
Dynamic Band Splitting (DBS) (repo): Repositório apresentado no vídeo com código, modelos e instruções para executar o método de separação de áudio.
DBS listening studio (ferramenta): Demonstração no Hugging Face que permite enviar áudio ou vídeo e ouvir as faixas separadas.
Tsinghua (empresa): Instituição associada pelos apresentadores ao trabalho de pesquisa sobre Dynamic Band Splitting.
Bing Ja Zhang (pessoa): Um dos três autores listados na página do artigo apresentado no vídeo.
Kai Li (pessoa): Um dos três autores listados na página do artigo apresentado no vídeo.
Zhao Lin Hou (pessoa): Um dos três autores listados na página do artigo apresentado no vídeo.

Tradução completa (pt-BR)

00:00 Esta é uma mistura de uma faixa de voz e música com o zumbido de um ventilador. E esta é a fala que sai dela, gerada por um modelo com apenas 1 milhão de parâmetros. >> Certo. Então, este é um modelo de fala para texto, e eu dei a ele 8 minutos e meio de >> Certo. Neste vídeo, vamos ver a divisão dinâmica de bandas da Tsinghua, e vocês podem ver que a fala vai de 1,3 dB até 12 dB. Vale lembrar que isso está rodando no meu laptop com RTX 4060 e 8 GB. Vamos testar. Uma rápida. Sou engenheiro de prompts e testei isso para

00:33 que você não precise fazer isso. Então, este é o repo no GitHub: release/dynamic band splitting. E o artigo se chama “Aprendendo onde dividir: divisão dinâmica de bandas para separação de fontes de áudio”. Se vocês olharem aqui, é da Tsinghua e a licença é Apache 2.0. Agora, uma coisa que quero dizer logo de início: se olharem no topo, este repo tem cerca de 20 estrelas, zero forks e foi tornado público em 10 de outubro. Então, é muito recente e ninguém de fora dos autores realmente o testou ainda. Essa é parte da razão pela qual estou fazendo isso. A ideia é a seguinte. Modelos como

01:03 o BSRNN dividem o eixo de frequência em bandas fixas, as mesmas bandas para todos os arquivos de áudio. O DBS prevê os limites das bandas com base no próprio áudio, mas mantém fixo o número de tokens de banda. Assim, o custo permanece o mesmo e o modelo decide onde gastá-lo. Foram lançados dois modelos: DBS-BSRNN, com 4,7 milhões de parâmetros, e DBS-Tiger, com cerca de 1 milhão. E vocês podem ver na seção de notícias que eles também lançaram um estúdio de audição que dá para testar no navegador. Esta é a página do artigo no Hugging Face. Ela tem cerca de 130 votos positivos, e os três autores são Bing

01:35 Ja Zhang, Kai Li e Zhao Lin Hou. Se vocês lerem o resumo, a alegação é que o DBS supera os modelos correspondentes de bandas fixas em três conjuntos de dados: DNRV2, MUSDB18-HQ e EchoSet. E esta linha aqui diz que o DBS-BSRNN obtém um ganho relativo de 29% na média de SI-SDR no DNRV2. E, se vocês rolarem a página do projeto, há um cartão que diz “+29,0%”. O texto pequeno diz que o DBS-BSRNN passa de 7,3 para 9,07 dB em relação ao resultado informado do BSRNN

02:09 no DNRV2. Então, esses 29% correspondem a 7,03 contra 9,07. O próximo cartão diz “128 tokens de banda mantidos fixos”. As posições e larguras dos limites mudam conforme a mistura, mas a quantidade de tokens não muda. E um terceiro cartão diz “quatro arquiteturas-base aprimoradas: BSRNN, Tiger, BS Reformer e Mel Reformer”. E aqui está a seção de método da página do projeto. O avaliador atribui uma pontuação a cada banda de frequência, uma seleção top-K rígida escolhe os limites, e cada banda é condensada em um token. Então, a arquitetura-base

02:40 opera sobre esses tokens e o resultado é expandido de volta para o espectrograma completo. Mais abaixo, há um trecho de 30 segundos do filme Tears of Steel, dividido em janelas de 3 segundos, e vocês podem ver que as linhas coloridas dos limites ficam em posições diferentes de uma janela para a outra. O mesmo artigo está no arXiv como 2006.110.14993, versão 1, listado como enviado em 10 de outubro. Certo, essa é a alegação. Agora, vamos ver os números que eles relatam e depois vou verificá-los na minha própria máquina. Esta é a tabela de resultados do

03:12 README no DNRV2. O DBS-Tiger obtém 7,78 dB em música, 15,90 em fala e 6,70 em efeitos sonoros. O DBS-BSRNN obtém 6,48, 15,01 e 5,73. Então, o modelo com 1 milhão de parâmetros pontua mais alto do que o de 4,7 milhões em todas as linhas; as médias são 10,13 contra 9,07. Essa é a manchete deste vídeo. Agora, vale lembrar que o DNR é um conjunto de dados de áudio no estilo de filmes, ou seja, diálogos, música e efeitos. Essas são

03:42 as três saídas que o modelo fornece. Um ventilador não se encaixa muito bem em nenhuma delas, então estou curioso para saber onde ele vai parar. Este é o espaço do Hugging Face chamado DBS Listening Studio. Ele tem apenas duas curtidas, então, de novo, ainda está bem no começo. Vocês podem enviar um arquivo de áudio ou vídeo, e ele fornece fala, música e efeitos sonoros em faixas separadas. Se olharem aqui, há também uma visualização das bandas dinâmicas. Essa é a parte que o diferencia de outros separadores. Dá para ver os limites se moverem enquanto o áudio toca. E estes são os dois cartões dos modelos: DBS-Tiger DNR

04:14 e DBS-BSRNN DNR. Se vocês abrirem a aba de arquivos, os pesos são um arquivo pequeno de SafeTensors, então o download é rápido, e o hub mostra cerca de 176 downloads no cartão do DBS-Tiger. Nos cartões dos modelos, o arquivo de pesos do Tiger tem 4,1 megabytes, e o do BSRNN, 18,9 megabytes. O hub mostra cerca de 176 downloads do Tiger e 91 do BSRNN. Então, são modelos muito recentes. Enviei minha mistura de 35 segundos para a demonstração com o DBS-BSRNN

04:44 selecionado, e ela terminou em cerca de 8 segundos na GPU deles, com as abas de fala, música e efeitos prontas para reprodução. A demonstração é ótima para uma audição rápida, mas quero números de verdade. Então, vamos instalar isso no meu laptop. Aqui está meu sistema: laptop com RTX 4060 e 8 GB de VRAM, e tudo o que vocês estão vendo roda localmente. A instalação é simples: clonar o repo, criar um ambiente virtual, instalar primeiro uma build do PyTorch com CUDA e, em seguida, instalar os requisitos e o pacote com a opção –no-deps. É necessário Python 3.11 ou mais recente,

05:16 e estou usando a versão 3.13. Um pequeno detalhe: o arquivo de requisitos final pedia torch 2.14.1, então instalei essa versão e funcionou com CUDA 13. Agora, para verificar a alegação sobre o tamanho dos modelos, carreguei ambos e contei os parâmetros. Vocês podem ver que o DBS-Tiger informa 1,01 milhão e o DBS-BSRNN informa 4,71 milhões. Então, os números da página conferem. Aqui está o teste. Vou ser sincero sobre isso. Não gravei no meu quarto. Criei uma mistura de 35,6 segundos com uma narração na minha voz clonada

05:47 uma faixa de música e um ventilador gerado, que consiste em ruído limitado a uma faixa de frequências mais um zumbido em 120 e 240 Hz. O motivo é que sei exatamente o que há na mistura, então posso medir o resultado com SI-SDR e não apenas confiar nos meus ouvidos. Antes da separação, a fala na mistura fica em 1,3 dB. Está bem embolada. Vamos executar o DBS-Tiger com janelas de 6 segundos, conforme o README, e vocês podem ver que a fala sai com 12,04 dB. A música fica em 8,67 dB.

06:17 >> Certo. Então, este é um modelo de fala para texto, e eu dei a ele 8 minutos e meio de áudio de uma só vez. A forma normal de executar com >> Agora, com o DBS-BSRNN usando janelas de 3 segundos, a fala fica em 11,19 dB. Então, ambos melhoram a fala em cerca de 10 dB, e o Tiger fica quase 1 dB à frente com um quarto dos parâmetros. >> Certo. Então, este é um modelo de fala para texto, e eu dei a ele 8 minutos e meio de áudio de uma só vez. >> É na música que eles divergem. O Tiger obtém 8,67; o BSRNN, apenas 2,94,

06:48 então o BSRNN deixou muita voz e muito ruído do ventilador na faixa de música. >> Certo. Então, este é um modelo de fala para texto, e >> E agora, quanto ao ventilador: comparei a faixa de efeitos sonoros com o som do ventilador. O Tiger obtém 4,36 dB, então uma boa parte do som do ventilador foi parar na faixa de efeitos. O BSRNN obtém -5,7 dB, o que significa que o som do ventilador ficou espalhado principalmente pelas outras hastes; portanto, nenhum dos modelos tem uma faixa própria para o ventilador.

07:18 Se eu ouvir a faixa de fala do Tiger, a música desapareceu, o som do ventilador quase todo desapareceu e a voz ficou com um som um pouco mais fino e processado. Eu diria que dá para usar, mas não tem qualidade de estúdio. >> Certo. Então, este é um modelo de fala para texto, e eu dei a ele 8 minutos e meio. Certo. Então, este é um modelo de fala para texto, e eu dei a ele 8 minutos e meio de áudio de uma só vez. >> Se vocês olharem o espectrograma da fala, ainda dá para ver traços verticais finos que chegam até as frequências mais altas. Esses são sons da

07:50 faixa de música que vazaram para a fala, então a separação não ficou perfeitamente limpa. Certo, velocidade. O arquivo tem 35,6 segundos. Na GPU, o DBS-Tiger levou 10,4 segundos, e o DBS-BSRNN levou 5,1 segundos. Então, o modelo pequeno é, na verdade, mais lento. Isso me surpreendeu. Acho que é porque o Tiger usa janelas de 6 segundos e tem uma estrutura mais pesada nesses tokens. Então, ele exige mais computação mesmo com menos parâmetros. Essa é a minha hipótese. Não fiz o profiling. O pico de VRAM foi de cerca de 1,2 GB para o Tiger e

08:21 1,05 para o BSRNN. Então, até uma placa de 4 GB daria conta. E, na CPU, o BSRNN levou 71 segundos, e o Tiger levou 196 segundos. Então, uma GPU faz diferença. O Tiger na CPU roda cerca de 5,5 vezes mais devagar que em tempo real. Os números que mostro são depois de uma passagem de aquecimento, então a primeira execução na sua máquina será um pouco mais lenta. Então, aqui está o que eu não testei. É uma mixagem sintética, um arquivo, 35 segundos, uma execução de cada modelo. Isto não é um benchmark. Os números do autor foram obtidos em mais de 973 faixas de teste

08:52 . O meu teste foi com um arquivo. Os modelos foram treinados com o DNR V2, que é áudio no estilo de filmes. Um ventilador está fora desse contexto, e você viu que ele não recebeu uma faixa própria. Além disso, só testei os modelos DNR. As versões MUSDB, com vocais, bateria e baixo, são uma configuração diferente. E o repo tem cerca de 20 estrelas. Os autores não publicaram relatos de usuários, então considere estes resultados um bom começo. E, se você testar com uma gravação de um cômodo real, me conte como foi. Mais uma coisa: a demonstração roda em um espaço compartilhado de GPU A10G 0, então os 8 segundos que vi

09:24 incluem o envio do arquivo e a fila deles, e não são comparáveis aos meus tempos de execução locais. Meu veredito: para extrair fala de uma mixagem, o DBS Tiger fez o que promete: de 1,3 dB a 12 dB no meu teste, com 1 milhão de parâmetros, e cerca de 10 segundos em um laptop com 8 GB. Para limpar podcasts ou extrair diálogos de um vídeo com música, vale a pena experimentar. Se você precisa de uma faixa limpa de ventilador ou ruído, ele não fará isso. E, se quiser o mais rápido, o BSRNN foi duas vezes mais rápido aqui, mas a fala ficou cerca de 0,85 dB pior e a música ficou muito pior. Se você só quer

09:56 ouvir, a demonstração do Hugging Face é suficiente. Se você quer um pipeline, o trecho de Python no readme tem apenas cerca de 10 linhas. Se estiver procurando GPUs baratas e confiáveis, eu uso o RunPod, e o link está na descrição. Então, neste vídeo, vimos como a divisão dinâmica em bandas extrai fala de uma mixagem em uma GPU local de 8 GB. O repo, o espaço e o artigo estão todos na descrição, então você pode experimentar isso nas suas próprias gravações também e me contar como foi. Vejo você em outro vídeo. Confira o próximo vídeo. Se isso ajudou, inscreva-se e, a seguir, eu

10:27 vou testar outro modelo pequeno neste mesmo laptop.

Transcrição original

[00:00] This is a mix of a voice and music track and a fan humming. And this is the speech that comes out of it from a model with only 1 million parameters. >> All right. So, this is a speech-to-text model and I gave it 8 and 1/2 minutes of >> All right. In this video, we will see dynamic band splitting from Tsinghua and you can see that the speech goes from 1.3 dB up to 12 dB. Mind you, this is running on my 8GB RTX 460 laptop. Let’s go ahead and test this out. Quick one. I am prompt engineer and I tested this so

[00:33] you don’t have to. So, this is the GitHub repo, just release/dynamic band splitting. And the paper is called learning where to split, dynamic band splitting for audio source separation. If you look here, it’s from Tsinghua and the license is Apache 2.0. Now, one thing I want to say up front, if you look at the top, this repo has about 20 stars, zero forks, and it went public on October 10th. So, this is very new and nobody outside the authors has really tested it yet. That’s part of why I’m doing this. Here’s the idea. Models like

[01:03] BSRNN split the frequency axis into fixed bands, same bands for every audio file. DBS predicts the band boundaries from the audio itself, but keeps the number of band tokens fixed. So, the cost stays the same and the model decides where to spend it. There are two released models, DBS-BSRNN with 4.7 million parameters and DBS-Tiger with about 1 million. And you can see in the news section, they also released a listening studio you can try in the browser. This is the paper page on Hugging Face. It has about 130 upvotes and the three authors are Bing

[01:35] Ja Zhang, Kai Li, and Zhao Lin Hou. If you read the abstract, the claim is that DBS beats the corresponding fixed band models on three data sets, DNRV2, MUSDB18-HQ, and EchoSet. And this line here says DBS-BSRNN gets a 29% relative gain in average SISDR on DNRV2. And if you scroll down this project page, there is a card that says plus 29.0% the small text says DBS PSRNN goes from 7.3 to 9.07 dB over the reported BSRNN

[02:09] result on DNRV2. So that 29% is 7.03 against 9.07. The next card says 128 band tokens held fixed. The boundary locations and widths move with the mixture and the token count does not. And a third card says four backbones improved BSRNN, Tigger, BS Reformer and Mel Reformer. And here is the method section of the project page. The scorer rates every frequency been a hard top K picks the boundaries and each band gets pulled into one token. Then the backbone

[02:40] runs on those tokens and the result is expanded back to the full spectrogram. Further down there is a 30-second excerpt from the film Tears of Steel cut into 3-second windows and you can see the colored boundary lines sit in different places from one window to the next. The same paper is on archive as 2006.110.14993 version 1 listed as submitted on October 10th. Okay, so that is the claim. Now let’s look at the numbers they report and then I’ll check them on my own machine. This is the results table from

[03:12] the readme on DNRV2. DBS Tiger gets 7.78 dB on music, 15.90 on speech and 6.70 on sound effects. DBS BSRNN gets 6.48, 15.01 and 5.73. So the model with 1 million parameters scores higher than the one with 4.7 million on every row averages 10.13 against 9.07. That’s the headline for this video. Now mind you DNR is a dataset of movie style audio so dialogue, music and effects. Those are

[03:42] the three outputs the model gives you. A fan is not really one of those so I’m curious where it ends up. This is the hugging face space called DBS listening studio. It has only two likes so again, very early. You can upload an audio or a video file, and it gives you speech, music, and sound effects as separate tracks. If you look here, there’s also a view of the dynamic bands. This is the part that’s different from other separators. You can watch the boundaries move while the audio plays. And these are the two model cards, DBS Tiger DNR

[04:14] and DBS BSRNN DNR. If you open the files tab, the weights are a small safe tensors file, so the download is quick and the hub shows around 176 downloads on the TB Tiger card. On the model cards, the Tiger weights file is 4.1 megabytes, and the BSRNN one is 18.9 megabytes. The hub shows about 176 downloads for Tiger and 91 for BSRNN. So, these are very new. I uploaded my 35-second mix to the demo with DBS BSRNN

[04:44] selected, and it finished in about 8 seconds on their GPU with a speech, music, and effects tabs ready to play. The demo is great for a quick listen, but I want real numbers. So, let’s go ahead and install this on my laptop. Here’s my system, RTX 4060 laptop, 8 GB of VRAM, and everything you see here is running locally. The install is simple, get clone the repo, make a virtual environment, install a CUDA build of PyTorch first, and then pip install the requirements and the package with no deps. Python 3.11 or newer is needed,

[05:16] and I’m on 3.13. One small thing, the end requirements file asked for torch 2.14.1, so I installed that and it worked with CUDA 13. Now, to check the model size claim, I loaded both models and counted the parameters. You can see DBS Tiger prints 1.01 million and DBS BSRNN prints 4.71 million. So, the numbers on the page match. Here is the test. I’m going to be honest about this. I did not record in my room. I built a mix of 35.6 seconds with my clone voice

[05:47] narration, a music track, and a generated fan, which is band-limited noise plus a hum at 120 and 240 Hz. The reason is that I know exactly what is inside, so I can measure the result with SISDR and not just trust my ears. Before separation, the speech in the mix sits at 1.3 dB. That’s very messy. Let’s go ahead and run DBS Tiger with a 6-second windows from the read me, and you can see the speech comes out at 12.04 dB. Music is 8.67 dB.

[06:17] >> All right. So, this is a speech-to-text model, and I gave it 8 and 1/2 minutes of audio in one go. The normal way of running with >> Now, DBS RNN with the 3-second windows, speech is 11.19 dB. So, both give about a 10-dB improvement on speech, and Tiger is almost a full dB better with a quarter of the parameters. >> All right. So, this is a speech-to-text model, and I gave it 8 and 1/2 minutes of audio in one go. >> The normal music is where they split. Tiger gets 8.67, BSRNN gets only 2.94,

[06:48] so BSRNN left a lot of the voice and fan in the music track. >> All right. So, this is a speech-to-text model, and >> And now the fan, I compared the sound effects track to the fan. Tiger gets 4.36 dB, so a good part of the fan landed in the effects track. BSRNN gets -5.7 dB, which means the fan is mostly spread across the other stems, so the fan does not have its own track in

[07:18] either model. If I listen to the Tiger speech, the music is gone, the fan is mostly gone, and the voice has a slightly thinner, processed sound. I’d say it’s usable, but it’s not studio clean. >> All right. So, this is a speech-to-text model, and I gave it 8 and 1/2 All right. So, this is a speech-to-text model, and I gave it 8 and 1/2 minutes of audio and one. >> If you look at the speech spectrogram, you can still see thin vertical streaks reaching up high. Those are hits from

[07:50] the music track that leaked into the speech, so it is not perfectly clean. Okay, speed. The file is 35.6 seconds long. On the GPU, DBS Tiger took 10.4 seconds, and DBS BSRNN took 5.1 seconds. So, the small model is actually slower. That surprised me. I think it’s because Tiger uses 6-second windows and has a heavier structure on those tokens. So, it runs more compute even with fewer parameters. That’s my guess. I did not profile it. Peak VRAM was about 1.2 GB for Tiger and

[08:21] 1.05 for BSRNN. So, even a 4 GB card would be fine. And on the CPU, BSRNN took 71 seconds, and Tiger took 196 seconds. So, a GPU matters. Tiger on the CPU runs about 5.5 times slower than real time. The numbers I show are after one warm-up pass, so the first run on your machine will be a bit slower. So, here’s what I did not test. It is a synthetic mix, one file, 35 seconds, one run each. This is not a benchmark. The author’s numbers are over 973 test

[08:52] tracks. Mine is one file. The models were trained on DNR V2, which is movie-style audio. A fan is outside that, and you saw it did not get its own track. Also, I only tested the DNR models. The MUSDB versions with vocals, drums, and bass are a different setup. And the repo has about 20 stars. The authors have not published user reports, so treat these results as a good start. And if you try it on a real room recording, let me know how it goes. One more thing, the demo runs on a shared A10G 0 GPU space, so the 8 seconds I saw

[09:24] includes their upload and queue, and it is not comparable to my local timings. My verdict: For pulling speech out of a mix, DBS Tiger did what it says, 1.3 dB to 12 dB in my test at 1 million parameters and about 10 seconds on an 8 GB’s laptop for podcast cleanup or extracting dialogue from a video with music, it’s worth a try. If you need a clean fan or noise track, it will not do that. And if you want the fastest, BSRNN was twice as fast here, but the speech was about 0.85 dB worse and the music was much worse. If you just want to

[09:56] listen, the hugging face demo is enough. If you want a pipeline, the Python snippet in the readme is only about 10 lines. If you’re looking for cheap and reliable GPUs, I use RunPod and the link is in the description. So, in this video we have seen how dynamic band splitting pulls speech out of a mix on a local 8 GB GPU. The repo, the space, and the paper are all in the description, so you can go ahead and try this out on your own recordings as well and let me know how it goes. I’ll see you in another one. Check out the next video. If this helped, subscribe and next I

[10:27] will test another tiny model on this same laptop.