近年来，音乐源分离研究已拓展至通用音频信号的处理领域。为实现自定义均衡器等个性化服务，或在直播流媒体中应用多样化的音频效果，实时音乐源分离技术显得尤为必要。然而，由于大多数现有方法存在计算复杂度高、内存占用大或延迟较长等问题，难以满足实时应用需求。为解决上述挑战，本文提出一种基于Wave-U-Net架构的音乐源分离网络，该网络采用高维掩码机制对深层潜在空间特征进行建模。同时，引入一种基于掩码的对比学习策略，以有效估计各目标音源在潜在空间中的显著嵌入表示。在MUSDB18HQ数据集上的实验评估表明，所提模型在保证实时处理能力的同时，性能优于多个现有基准模型。