input → 事前学習モデル → output — AI推論の本質はこの1行だ

核心：ニューラルネットがやることはただ1行

音源分離パイプラインを再確認：

song.mp3
  ↓ torchaudio.load()        ← ファイル読み込み（数学）
  ↓ torch.stft()             ← フーリエ変換（数学）
  ↓ model(magnitude)         ← ★ ここだけニューラルネット ★
  ↓ magnitude × mask         ← 行列乗算（数学）
  ↓ torch.istft()            ← 逆フーリエ変換（数学）
vocals.wav

パターン：input → model → output

全AI推論はこの構造：output = model(input)

例1：画像分類（最もシンプル）

output = model(image)  # [28×28] → [10確率]

例2：音分類

result = classifier("dog_bark.wav")  # → {'label': 'Dog'}

例3：音声認識

result = model.transcribe("speech.mp3")  # → "こんにちは"

例4：音源分離

sources = apply_model(model, wav)  # → 4ステム

例5：音声合成

tts.tts_to_file(text="こんにちは", language="ja", file_path="hello.wav")

共通パターン

前処理/後処理はタスクごとに違うが、核心は常にmodel(input) — 1行。