经过2个月的时间，我们已经完成了11.0的更好人声提取算法的研发。新算法的特性正如伴奏人声提取的11.0算法介绍那样，基于DangoNet5架构的11.0更好人声提取，带来了更好的提取性能、全新的“立体声”修复模块，以及“前所未有”的饱满听觉。
性能再次提升
10.0中，我们训练得到了11.65dB的SDR分数，而本代我们得到了12.12dB的SDR分数，相对提升了0.47dB的SDR分数，SDR即为“生成的声音和真实声音的相似度”，越大越好，这得益于和伴奏人声提取一样的额外30%训练素材的引入，以及我们的全新的“权重训练”模式，让AI在遇到困难提取的音频中更多、更专注的学习，而在轻松提取的音频里放低学习能力，就像是让学生在有限的“刷题”时间内去刷一些困难题，而不是大多数注意力在一些简单题一样。
现在新的算法在遇到前代算法中容易把乐器混淆成人声的歌曲中，会更加谨慎的分辨人声和乐器的存在。
全新“立体声”修复模块
我们在DangoNet5架构的研发时就设想过，大多数的歌曲为立体声的歌曲，根据歌曲的制作，左右的声道会有些不同，但也有相同点，是否可以利用立体声作为输出的“互补”？当某一声道的提取效果不佳时，可以从另一个声道学习并“补偿”？
团子的之前的架构（包括市面上一部分“开源”的源分离架构）是立体声敏感的，也就是双声道将一起输入到分离架构，而不是单独输入（拆分或放入Batch通道），这也意味着架构将隐式的学习一些立体声的特征并“可能”学习到一些补偿的特性。
我们在研发DangoNet5时，希望网络能加强立体声的补偿学习能力，并增加了一系列的“显式”的约束架构，我们发现这不太能提升伴奏的输出性能，但能显著提升人声的输出性能，这和我们主观的预测一样，伴奏大多数是立体声丰富的，也就是左右声道经常“不一样”，当一个声道的伴奏出现损伤，很难从另一个声道去“借鉴”补偿，而人声一般除效果器外，大多数是声道居中的，也就是“左右耳”相同，这能极大的提升补偿的能力。
这意味着在歌曲中，某个声道的乐器破坏了该区域的人声，网络可以从另一个声道的相同人声中寻找更简单的补偿，使得人声的整体输出性能大幅度提升，并极度减少了10.0（以及更古老的）出现的提取出的人声在某些情况下突然在某个声道“缺”声音导致恍惚感的问题、或者某个声道出现一块残留而另一个声道没有（大多数是低音的轰鸣），导致输出不干净的问题。
（从上到下分别是：原曲，10.0输出，11.0输出）
在上面的示例中，可以很明显的听出10.0的人声输出会存在原曲的一些Bass残留，而11.0的输出则没有残留的“恍惚感”，这得益于立体声的人声左右声道的互相学习和补偿，有效的提升的输出的性能。
杜绝失真，真饱满输出
在前代算法中，当遇到乐器吵闹或人声较小的情况下，尽管仍能提取内容，但提取的内容会严重“退化”且失真，或者人声的效果器破损缺失，本代我们延长了架构的注意力机制，可以更好的提取人声的长拖尾、效果器（如混响、延迟器）的声音。
得益于DangoNet5架构的提升，现在输出的人声即便是“智能”模式，也相较于10.0的“保守”模式更加饱满，同时不会增加残留。
上图为有损压缩文件的提取情况，即便在有损文件情况下，11.0算法对人声的泛音提取能力更强，人声频谱形状更加完整。
高级修复正在路上
我们将为11.0的更好人声提取算法也同样应用高级修复功能，即便算法默认提取出现残留或缺失、并且三种输出（保守、智能、激进）仍无法改善时，您可以选择高级修复对歌曲某一个片段进行重新提取，让一切的“问题”即刻解决，无需“等待下个版本修复”😇
