单声道歌声分离指从单声道歌曲中分离出期望的伴奏或歌声目标信号,一方面可以为单声道的多声源分离提供借鉴和研究基础,另一方面可以应用于音乐信息检索。由于歌声与伴奏在频谱上互相交织缠绕,给单声道歌声分离带来挑战。大量研究专注于寻找可以明确区分伴奏/歌声的途径。传统非深度学习算法根据音频先验知识寻找区分伴奏/歌声的方法,此类方法很难找到对所有类型歌曲都适用、分离性能好的算法,缺乏灵活性。深度学习方法通过神经网络,自动学习找寻易区分的特征,拟合输入与输出之间关系,展现出更好的分离质量。由于深度学习在图像上性能显著,以及频域相比时域有更多可挖掘信息,歌声分离算法集中在频域上建模,将歌曲的时频谱图作为输入,构建神经网络,分离得到歌声和伴奏的时频谱图,最后结合原歌曲相位,重构出伴奏和歌声信号。目前单声道歌声分离算法性能遇到瓶颈的主要问题是:(1)目前用于歌声分离的神经网络是串行结构,降采样后缩小特征尺寸,导致部分特征信息丢失,造成预测的频谱幅值精度受限。(2)由于人耳对相位不敏感,重构阶段用原歌曲相位近似表示伴奏和歌声的相位,忽视对相位建模。虽然相位对听觉影响不大,但在迁移到其他需要精确相位的场景时,须予以考虑。基于以上单声道歌声分离的研究现状,本文围绕深度学习的频域模型,从神经网络结构、相位准确度等方面考虑,提出一套基于高分辨率网络,并校准分离信号相位的单声道歌声分离算法,达到提高分离信号质量,提升分离性能的目的。本文的主要工作内容和创新点如下:(1)提出基于高分辨率神经网络的单声道歌声分离。因高分辨率网络存在不同分辨率表征并行的子网络,同时拥有原分辨率表征以及多种低分辨率表征,消除串行网络降采样效应造成信息丢失的困扰;并且重复多次特征融合生成新语义表征,从而能学到全面、高精度、高度抽象的特征。本文采用高分辨率神经网络对时频谱图建模,使预测时频谱图的幅值精确逼近真实值。在数据集MIR-1K上的实验表明,本文方法较目前领先的SH-4Stack模型,在SDR,SIR,SAR衡量分离性能的指标上都有提升,证实本文算法的有效性。(2)提出相位估计策略。在频域模型中,对于分离信号缺失准确的相位问题,本课题利用时域模型在时域上对信号直接建模,避免相位失真的优势,根据频域模型分离信号的幅值大小,结合时域模型,估计出分离信号的相位,有效缓解相位不准确的问题。最后结合预测的时频谱图幅值和估计的相位,重构出高质量分离信号。在数据集MIR-1K上的实验表明,加入相位估计,SDR、SIR指标有显著提升,证明准确的相位有助于减弱其他信号的干扰,得到纯净目标信号。为保证分离前后信号时频谱图幅值的一致性,加入时频掩蔽函数,约束分离信号的时频谱图幅值相加之和等于原歌曲信号幅值,使伴奏/歌声的频谱幅值更加准确,接近于原纯净真实的伴奏/歌声。实验表明,约束时频谱图幅值,能够提高分离质量。