---
title: 深層学習を用いたドラムセット収録時の被り音抑圧,
tags:  #ドラムセット #マルチトラック録音 #被り音抑圧 #conv-tasnet #film  
author: [Kitamura Laboratory](https://www.docswell.com/user/8262029599)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/V7PKX39DJ8.jpg?width=480
description: 片山碧人, "深層学習を用いたドラムセット収録時の被り音抑圧," 香川高等専門学校電気情報工学科 卒業研究論文, 42 pages, 2026年2月.
published: March 07, 26
canonical: https://www.docswell.com/s/8262029599/KJWGEM-2026-03-07-205550
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/V7PKX39DJ8.jpg)

香川高等専門学校 電気情報工学科 卒業研究発表会
2026年2月27日
深層学習を用いた
ドラムセット収録時の被り音抑圧
12番 片山碧人（北村研究室）


# Page. 2

![Page Image](https://bcdn.docswell.com/page/2JVVL4MGJQ.jpg)

2
研究背景
• ドラムセット
– ドラムセットには複数の音源が存在
クラッシュ
シンバル
（クラッシュCY）
クラッシュ
シンバル
タムタム
（TT）
ハイハット
（HH）
スネアドラム
（SD）
キックドラム
（KD）
– ドラムセットの録音方法（マルチトラック録音）
• 複数のマイクロホンを音源に近接
• 近接させた音源のみを録音したい
クラッシュ
シンバル
ライド
シンバル
フロアタム


# Page. 3

![Page Image](https://bcdn.docswell.com/page/5EGLX1XDJL.jpg)

3
研究背景
• 被り音の問題
– 近接マイクロホンの信号には，
被り音が入り込む
右図） 目的音源： スネアドラム
被り音源 ： キックドラム，ハイハットなど
被り音
被り音
被り音
スネアの近接
マイクロホン
目的音
– 被り音はミキシングのクオリティを低下させる
• 目的音に最適な音量調整，コンプレッサ，およびイコライザを適用
被り音 • 被り音には最適ではない
HA
コンプレッサ
イコライザ
HA
コンプレッサ
イコライザ
HA
コンプレッサ
イコライザ
被り音は避けるべき
ミキサー


# Page. 4

![Page Image](https://bcdn.docswell.com/page/4JQY8D8X7P.jpg)

4
従来手法
• 深層ニューラルネットワーク（deep neural network: DNN）
を用いた手法
– LarsNet [Mezza+, 2024]
• U-Netアーキテクチャを使用
• U-Netを5本並列に配置し，5つの音源の信号を並列に推定するモデル
ステレオ入力
入力信号
STFT
KD
U-Net
ISTFT
KD
SD
U-Net
ISTFT
SD
TT
U-Net
ISTFT
TT
STFT: 短時間フーリエ変換
HH
U-Net
ISTFT
HH
5つの音源の信号を出力
CY
U-Net
ISTFT
CY


# Page. 5

![Page Image](https://bcdn.docswell.com/page/K74W2Z22E1.jpg)

5
目的と概要
• 目的
– マルチトラック録音で得られる
多チャネル信号を入力とした被り音抑圧
• 提案手法の概要
– KD，SD，HHを独立に推定するモデルを構築
各音源に特化した学習が可能
KD
DNN
SD
DNN
– KDモデルにはKD近接
マイクロホン信号を入力
• KDの音を最も近くで録音している
KDの推定が容易
– SDおよびHH近接マイクロホン
信号は補助情報として使用
• 被り音を最も近くで録音
抑圧に大きく貢献
するかも
入力
入力
補助
入力
HH
DNN
KD
DNN
KD
DNN


# Page. 6

![Page Image](https://bcdn.docswell.com/page/LJ1YMRMKEG.jpg)

6
提案手法
• 推定対象の近接マイクロホン信号をメインの入力とし，
他近接マイクロホン信号を補助の入力とするDNNモデル
– 基本アーキテクチャ： Conv-TasNet [Luo+, 2019]
– メイン入力→Conv-TasNetに入力
補助入力→FiLM [Perez+, 2018]により条件付けに使用
– 出力： 推定対象の音のみの信号
KD DNN
ConvTasNet
FiLM
KDの信号を推定
SD DNN
ConvTasNet
FiLM
SDの信号を推定
HH DNN
ConvTasNet
FiLM
HHの信号を推定


# Page. 7

![Page Image](https://bcdn.docswell.com/page/GJWG313P72.jpg)

DNN構造
メイン入力
TCN Block
TCN Blockの入力
Encoder
TCN Block
TCN Block
Mask
PReLU
スキップコネクション
マスク生成
TCN Block
Conv2D
DWConv2D
PReLU
Conv2D
Conv2D
Decoder
KDの信号を推定
マスク生成へ
TCN Blockの出力
(次のTCN Blockの入力)
7


# Page. 8

![Page Image](https://bcdn.docswell.com/page/4EZLVPV673.jpg)

8
DNN構造
補助入力
メイン入力
TCN Block
TCN Blockの入力
Encoder
TCN Block
Mask
PReLU
Conv2D + PReLU
DWConv2D
Conv2D + PReLU
PReLU
Linear
＆
Conv2D
Conv2D
Decoder
KDの信号を推定
FiLM
TCN Block
Conv2D
スキップコネクション
マスク生成
TCN Block
Mel-Spectrogram
transform
マスク生成へ
TCN Blockの出力
(次のTCN Blockの入力)


# Page. 9

![Page Image](https://bcdn.docswell.com/page/Y76W5M5L7V.jpg)

データセット
• StemGMD [Mezza+, 2024]
– 人間が電子ドラムで演奏したMIDIデータから作成
– ドラムセットの音源を個別にした音源信号（ステム）を収録
– 様々な音色のドラムキットの音が含まれる
• データセットの作成
– StemGMDのステムを基に近接マイクロホン信号を模擬
ステム
×1
ステム
ステム
× 0.15
× 0.004
9


# Page. 10

![Page Image](https://bcdn.docswell.com/page/G75MYZYM74.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
10


# Page. 11

![Page Image](https://bcdn.docswell.com/page/9J29GRGRER.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
11


# Page. 12

![Page Image](https://bcdn.docswell.com/page/DEY4VDV5JM.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
12


# Page. 13

![Page Image](https://bcdn.docswell.com/page/VJNYM6M478.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
13


# Page. 14

![Page Image](https://bcdn.docswell.com/page/YE9PNLN4J3.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
14


# Page. 15

![Page Image](https://bcdn.docswell.com/page/GE8DKXKVED.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
15


# Page. 16

![Page Image](https://bcdn.docswell.com/page/LELMZ8ZR7R.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
16


# Page. 17

![Page Image](https://bcdn.docswell.com/page/4JMYV6VPJW.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
17


# Page. 18

![Page Image](https://bcdn.docswell.com/page/PJR92P2Y79.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
18


# Page. 19

![Page Image](https://bcdn.docswell.com/page/PEXQD3D4JX.jpg)

実験結果（パワースペクトログラム）
KD
SD
HH
観測信号
観測信号
観測信号
正解信号
正解信号
正解信号
推定信号
推定信号
推定信号
19


# Page. 20

![Page Image](https://bcdn.docswell.com/page/3EK9XYXPED.jpg)

実験結果（パワースペクトログラム）
HH（前ページと同一）
HH（失敗例）
観測信号
観測信号
正解信号
正解信号
推定信号
推定信号
20


# Page. 21

![Page Image](https://bcdn.docswell.com/page/L73W595475.jpg)

実験結果（パワースペクトログラム）
HH（前ページと同一）
HH（失敗例）
観測信号
観測信号
正解信号
正解信号
推定信号
推定信号
21


# Page. 22

![Page Image](https://bcdn.docswell.com/page/87DKDGD5JG.jpg)

22
比較結果
• 評価指標
– 音源対歪み比（source-to-distortion ratio: SDR） [Vincent, 2006]
• 被り音の抑圧度合いと目的音源の歪みの少なさの両方を考慮
• 比較対象
– 1. 観測信号（未処理）
– 2. 学習済み公開モデルLarsNet（参考値）
– 3. 本研究のデータセットで再学習したLarsNet
– 4. FiLMなしConv-TasNet
– 5. FiLM付きConv-TasNet（提案手法）
平均SDR [dB]
音源
観測信号
公開モデル
LarsNet
再学習モデル
LarsNet
FiLMなし
Conv-TasNet
提案手法
KD
19.75
30.57
34.09
36.14
36.37
SD
10.63
16.71
21.66
23.06
22.87
HH
-22.32
-5.29
-1.23
2.22
2.25


# Page. 23

![Page Image](https://bcdn.docswell.com/page/VJPKX3XDE8.jpg)

まとめ
23
• マルチトラック録音の信号を入力とするDNNモデル
を提案し，ドラムセットにおける被り音の抑圧を行った
• 結果
– パワースペクトログラムより被り音の抑圧を確認
– 全ての手法においてSDRが観測信号から改善
– Conv-TasNet系のモデルが有利
– FiLMによる条件付けの効果は限定的
• 考察
– FiLMによるSDRの改善量が微量
• Conv-TasNet単体で被り音抑圧を一定程度達成でき，FiLMによる条件
付けの寄与が相対的に小さかった可能性
• 条件付け設計の改善が必要