📄 Equivariant Music Transformer

标签：#音乐生成 #知识蒸馏 #Transformer #音频理解 #模型评估

8.6/10 | 创新 1.4/2 | 严谨 1.5/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1/1.5

🔥 8.6/10 | 前25% | 文档类型：方法研究 | 评分置信度：高 | #音乐生成 | #知识蒸馏 | #Transformer #音频理解 | arxiv

👥 作者与机构

  • 第一作者：Zixun Guo（论文正文未给出完整作者栏；致谢表明其为UKRI Centre for Doctoral Training in Artificial Intelligence and Music博士生，结合伦理审查单位推断为Queen Mary University of London）
  • 通讯作者：未说明
  • 作者列表：Zixun Guo、Simon Dixon（其中Simon Dixon依据现有元数据；所给论文正文中未出现完整作者名单，无法从文本独立确认）

💡 毒舌点评

论文最有价值的贡献是一个反直觉且可复现的实证发现：标准音乐Transformer的等变性不会随规模扩大和训练步数增加而涌现，反而持续退化。EMT用共享权重的辅助分支做自蒸馏，在分布空间直接施加等变约束，方法简单、动机清晰，且在内部消融、外部基线对比和听感测试中都给出了一致验证。问题是训练关键超参数披露不足，batch size和内部模型训练步数均缺失；外部基线在数据、架构、tokenization上与内部模型不完全可比；Top-1/Top-5等变指标又和训练时的KL散度目标高度同源，削弱了“等变正则化全面提升生成能力”这一强声明的独立性。建议作者公开完整训练配置和推理采样参数。

📌 核心摘要

论文针对标准音乐Transformer将时间平移或音高移调后的音乐输入映射到不相关潜在表征的问题，提出Equivariant Music Transformer（EMT）。EMT在标准下一个词预测损失之外，增加一个基于自蒸馏的辅助等变正则化损失：对输入施加随机音乐变换，用共享权重Transformer得到移位后的输出分布，再通过逆变换映射回原空间，与主分支分布计算KL散度。该方法首次在模型/损失层面直接约束生成Transformer的等变性，不修改主干网络结构，并与FME、MRA等特征级等变方法正交互补。

在LMD clean子集上，EMT取得最低总体验证NTP损失（0.847）和最低等变损失（All=0.049），Top-1匹配准确率（All=0.917）与Top-5 Jaccard（All=0.747）均为内部模型和外部基线中最佳。外部基线显示，Anticipatory Music Transformer在更大规模和更长训练下等变性持续下降：M模型等变损失从100K步的0.397上升到800K步的0.741；800K步时S/M/L模型的等变损失分别为0.292、0.741、0.813。主观听感测试中，EMT在移位条件下的ΔMOS显著小于基线（平滑度0.20 vs 0.58，享受度0.30 vs 0.73），未移位条件下享受度与基线接近（3.02 vs 2.98），说明更小模型也能达到可比生成质量。论文核心结论是：普通语言建模目标不会自动捕获音乐平移对称性，显式等变归纳偏置能让模型容量更高效地用于共享音乐结构而非记忆绝对模式。

下图给出了各内部模型变体验证NTP损失随训练epoch的演化。

Figure 3: Validation ℒ𝑁𝑇𝑃\\mathcal{L}_{\\mathit{NTP}} throughout training for all internal model variants, with EMT achieving the lowest loss.

在整体以及onset、pitch、duration、instrument、velocity各属性上，加入辅助等变信号的模型（曲线3–5）损失普遍低于仅使用NTP损失的模型，其中EMT（曲线5）收敛到最低损失。

🔗 开源详情

  • 论文摘要脚注声明：“The code, weights and demos are available online”，并给出链接：guozixunnicolas.github.io/equivariant-music-transformer-demo/。
  • 该页面提供演示音频和项目信息；论文未在正文中给出GitHub仓库地址或具体开源许可证，因此完整代码仓库的直接URL、模型权重文件格式和许可证类型均未披露。
  • 论文AI使用声明提到使用Claude Code协助实现代码库，并由第一作者人工验证正确性；这从侧面确认代码库已实现并公开（但具体仓库未在文本中给出）。
  • 未披露训练数据集的下载/处理代码是否单独开源，但结合“code, weights”声明，可推测代码和权重随项目页面发布。

🏗️ 方法概述和架构

EMT整体是一个双分支共享权重的训练框架，如图1所示：主分支（左侧）是标准自回归生成Transformer，辅助分支（右侧）通过自蒸馏方式强制模型学习等变表示。主分支接收一段符号音乐序列，经嵌入层处理后在Transformer堆叠块中逐层编码，最终在每个时间步输出各音乐属性（onset、pitch、duration、instrument、velocity）上的概率分布，并以交叉熵计算下一个词预测损失 \(\mathcal{L}_{\mathit{NTP}}\)。辅助分支对同一输入施加随机音乐变换 \(\mathcal{T}\)（由随机音高移调和时间平移组成），将变换后的序列送入同一组共享权重的Transformer，得到输出概率分布 \(p_i^{\mathcal{T}}\)，随后在输出层通过逆变换 \(\mathcal{T}^{-1}\) 将其映射回原始空间，得到 \(\mathcal{T}^{-1}(p_i^{\mathcal{T}})\)，并以主分支的锚定分布 \(p_i\) 为参考计算KL散度作为等变正则化损失 \(\mathcal{L}_{\mathit{equiv}}\)。为保证主分支作为稳定锚点，计算KL散度时对 \(p_i\) 施加stop-gradient操作（记为 \(\mathrm{sg}(\cdot)\)），避免两个分支坍缩到平凡分布。训练总损失为：

下图展示了Equivariant Music Transformer的整体训练框架。

Figure 1: The main branch (left) performs next-token prediction; the auxiliary branch (right) self-distills the main branch,

主分支对原始音乐token序列进行标准下一个词预测；辅助分支对同一序列施加随机音乐变换后送入共享权重Transformer，再将输出分布经逆变换映射回原空间，与主分支的stop-gradient锚定分布对齐，从而实现模型级等变约束。

\[ \mathcal{L}_{\mathit{total}} = \mathcal{L}_{\mathit{NTP}} + \lambda \mathcal{L}_{\mathit{equiv}}, \]

下图进一步展示了主分支所采用的修改版Moonbeam生成Transformer结构。

Figure 2: Modified Moonbeam \\[9\\] architecture (a generative transformer) with delayed inputs and outputs.

输入层对onset、pitch、duration、velocity使用FME嵌入、对instrument使用普通嵌入，相加后送入多层多维相对注意力与前馈网络；输出层通过延迟模式分别预测各属性，从而取消了原Moonbeam中的GRU解码器。

其中超参数 \(\lambda=0.001\)。由于 \(\mathcal{L}_{\mathit{equiv}}\) 的数值通常大于 \(\mathcal{L}_{\mathit{NTP}}\)，采用较小权重以避免主导优化方向。推理时只使用主分支，因此额外等变约束不增加推理开销。

输入序列中的每个时间步是一个五元组事件 \(x=(o,p,d,i,v)\)，分别对应onset（起始时间）、pitch（音高）、duration（时长）、instrument（乐器）和velocity（力度）。与Moonbeam原方案使用相对onset和分离的octave/pitch-class标记不同，EMT预测绝对onset，并将原来的八度与音级两个字典合并为单一音高字典。这一调整虽然增加了预测空间规模，但使得音高移调（对pitch做加减）和时间平移（对onset做加减）以及相应的逆操作能够在输入和输出空间中被直接、无歧义地施加，是构造等变损失的必要条件。序列前后分别添加特殊token <SOS> 和 <EOS>。对于训练序列，使用延迟模式（token delay pattern）将事件属性拆分为连续token流，并按 \(L_{\mathit{seq}}=1024\) 的固定长度切分为块；相邻块之间对onset做相对化处理，并构造注意力掩码防止不同拼接轨迹之间的注意力泄漏。

主分支的主体是基于Moonbeam架构修改而来的生成Transformer，其结构见图2。模型配置为12层Transformer，隐藏维度768，中间维度2048，总参数量约96M。每个五元组事件的各个属性先分别映射为嵌入向量，并在输入层直接相加（而非Moonbeam中的拼接），使每个属性能够获得更大的嵌入维度以提升表达力。随后嵌入序列进入12层Transformer块，其中每个块包含多头自注意力、前馈网络和层归一化，并使用残差连接。注意力机制采用多维相对注意力（Multi-dimensional Relative Attention, MRA），该机制将常规的token位置差信息替换为音乐维度上的相对距离——即音高间隔和onset间隔——从而在特征层面引入音乐平移不变性。此外，位置编码采用旋转位置编码（RoPE）以增强相对位置建模。最后一层输出每个时间步的logits，按五元组属性分别计算各自字典上的概率分布。

与Moonbeam不同，EMT取消了原有的GRU解码器，改用延迟模式（token delay pattern）来建模不同音乐属性之间的局部依赖关系。延迟模式将同一时间步内不同属性错开为连续token序列，例如按固定顺序排列当前事件的onset、pitch、duration、instrument、velocity，然后展平为token流，使自回归Transformer能够以统一方式捕捉属性间相关性，而无需额外解码器。这一简化降低了架构复杂度，同时保持了生成质量。

FME是音乐距离感知的输入嵌入层，用于将绝对音乐属性值（如pitch和onset）映射到能够保持音高距离和onset时间距离的嵌入空间中。具体而言，传统嵌入将每个离散属性值视为相互独立的类别，而FME为pitch和onset分别定义基础嵌入函数，使得两个属性值在嵌入空间中的距离与它们的音乐间隔成正比。这样，音高相差2个半音的两个事件，其嵌入表示的余弦距离显著小于相差12个半音的事件；类似地，onset相差0.5秒的两个事件也比相差5秒的事件在嵌入空间更接近。FME在特征层面对音乐平移等变性进行了编码，但它本身不改变模型输出分布的内在平移性质。EMT在FME之上叠加模型级等变损失，从而同时获得特征级和模型级的等变正则化。在训练时，FME涉及精度敏感运算，因此使用fp32上采样以保证数值稳定性。

辅助分支与主分支共享完全相同的Transformer参数。给定原始序列 \(x\)，训练中动态采样一个音乐变换 \(\mathcal{T}\)，由音高平移和时间平移组成。音高平移范围限定在 \([-12,12]\) 个半音，时间平移范围限定为0到5秒、步长0.25秒。变换从24种音高平移、20种时间平移以及480种组合变换中随机采样：50%概率只采单向变换，50%概率采组合变换。将 \(\mathcal{T}(x)\) 输入共享Transformer后，在输出logits上应用逆变换 \(\mathcal{T}^{-1}\)。由于平移变换本质上是沿对应属性字典维度的循环移位，\(\mathcal{T}^{-1}\) 通过PyTorch的torch.roll实现，并在logits边界处进行必要的掩码处理，以覆盖移出字典范围的概率质量。随后计算锚定分布 \(p_i\) 与逆变换后的分布 \(\mathcal{T}^{-1}(p_i^{\mathcal{T}})\) 之间的KL散度，对序列中所有时间步取平均：

\[ \mathcal{L}_{\mathit{equiv}} = \frac{1}{t}\sum_{i=1}^{t} \mathrm{KL}\left( \mathrm{sg}(p_i) \parallel \mathcal{T}^{-1}(p_i^{\mathcal{T}}) \right). \]

该损失要求辅助分支输出的分布，经过逆变换后，与主分支在原始输入上的分布尽量一致；等价地，它强制模型在遇到移调或平移输入时，相应地在输出空间中产生同等且可预测的平移，从而实现模型层面的等变性。由于需要第二次前向传播，训练成本约增加一倍，但推理阶段无需辅助分支。

训练使用AdamW优化器，\(\beta_1=0.9\)，\(\beta_2=0.95\)，权重衰减0.1，峰值学习率为 \(3\times10^{-4}\)，先经过3%步数的线性warmup，再按余弦退火衰减至峰值的10%。模型分布在2张NVIDIA A100或H100 GPU上，使用PyTorch的DDP和NCCL后端进行分布式训练；同时采用bfloat16混合精度训练，对FME、RoPE、LayerNorm、Softmax等数值敏感操作上转为fp32以避免精度损失。数据来自LakhMIDI数据集，其中消融实验使用LMD clean子集，保留10%作为测试集；主观评测使用LMD-full训练。过滤标准为：去除时长小于5秒或大于1小时的文件，以及IOI超过60秒的文件。所有预处理数据序列化为内存映射文件以提升I/O吞吐。

图1中，原始序列 \(x\) 同时送入主分支和辅助分支。主分支直接处理 \(x\)，计算 \(\mathcal{L}_{\mathit{NTP}}\)；辅助分支先对 \(x\) 施加随机变换 \(\mathcal{T}\)，然后共享相同参数的Transformer，输出分布经 \(\mathcal{T}^{-1}\) 映射后与主分支的stop-gradient分布计算KL散度。两个分支的损失在训练中共同反传，但stop-gradient使主分支仅受 \(\mathcal{L}_{\mathit{NTP}}\) 优化，辅助分支则同时受主分支的“蒸馏信号”和自身的 \(\mathcal{L}_{\mathit{NTP}}\)（通过共享参数间接）影响。特征层面的FME和MRA在嵌入层和注意力层中发挥作用，与模型级等变损失正交互补。推理时，主分支单独进行自回归解码，每次迭代生成一个五元组事件的所有属性，并采用延迟模式生成对应token序列。整体架构设计的关键动机在于：现有标准语言建模目标不会自动捕获音乐的平移对称性，随着模型规模增大和训练时间延长，模型反而会更多记忆绝对模式而非共享音乐结构；EMT通过显式等变正则化损失直接约束表征空间的变换行为，使容量更高效地用于学习可泛化的音乐结构。

💡 核心创新点

  1. 首次在生成式Transformer架构中引入等变正则化损失，直接在模型/损失层面约束音乐平移等变性，而非仅依赖输入特征工程或数据增强。论文明确指出这是“first work that incorporates an equivariance regularization loss to the generative transformer architecture for music”。
  2. 揭示标准符号音乐Transformer的等变性不会随规模扩大和训练步数增加而涌现，反而持续退化。通过对Anticipatory Music Transformer的S/M/L三个尺寸、100K/800K步检查点以及内部仅NTP训练的消融模型进行测量，论文提供了“equivalence does not emerge from scaling”的首个经验证据。
  3. 提出通过自蒸馏实现辅助等变损失的双分支共享权重训练框架：主分支做标准NTP，辅助分支接受随机音乐变换并输出被逆变换后的分布，与主分支的stop-gradient锚定分布计算KL散度。该方法不修改主干结构，推理时无额外开销。
  4. EMT同时结合特征级等变（FME和MRA）与模型级等变，实验证明二者互补组合效果最佳；并在客观指标和主观听感测试中均优于数据增强、特征工程和SOTA外部基线。

下图呈现了内部模型变体在训练过程中等变指标的变化趋势。

Figure 4: Equivariance metrics throughout training. Models (1 and 2) trained only with ℒ𝑁𝑇𝑃\\mathcal{L}_{\\mathit{NTP}} show degrading equivariance, opposite to the regularized models.

仅使用下一个词预测损失的模型（曲线1和2）等变损失持续上升、Top-1准确率与Top-5 Jaccard相似度下降；加入等变正则化或数据增强的模型（曲线3–5）则保持稳定或持续改善，直观印证了显式等变约束的必要性。

📊 实验结果

  • 图3显示，所有内部模型变体的验证NTP损失在训练中持续下降后收敛。加入辅助信号（Model 3-5）的模型比仅用NTP的Model 1-2获得更低验证损失。EMT（Model 5）取得最低总体验证NTP损失0.847，其次是Model 3（数据增强，0.853）和Model 4（仅等变损失、无特征等变，0.849）。

  • 图4显示，仅用NTP训练的Model 1-2，其等变指标在训练中持续退化；而加入等变损失或数据增强的Model 3-5等变指标持续改善。EMT等变性最强。Model 4虽然使用模型级等变损失但无FME/MRA，等变性低于EMT，说明模型级正则化仍受益于领域归纳偏置。

  • 数据增强（Model 3）在相同变换分布和计算预算下，等变泛化弱于模型级等变正则化（EMT），表现为更高的 \(\mathcal{L}_{\mathit{equiv}}\) 和更低的Top-1/Top-5指标。

  • 表1中，EMT在全部等变指标上优于所有外部基线：\(\mathcal{L}_{\mathit{equiv}}\) All=0.049，Top-1 Accuracy All=0.917，Top-5 Jaccard All=0.747。

  • Anticipatory Music Transformer的等变性随训练步数和模型尺寸增加而明确下降。M模型 \(\mathcal{L}_{\mathit{equiv}}\) 从100K步的0.397升至200K步的0.654，再升至800K步的0.741；800K步时S/M/L模型的 \(\mathcal{L}_{\mathit{equiv}}\) 分别为0.292、0.741、0.813。这一趋势与内部NTP-only模型一致，支持“等变性不随规模涌现”的结论。

  • MIDI-LLM的 \(\mathcal{L}_{\mathit{equiv}}\) 为0.394，介于Anticipatory小模型不同阶段之间，但明显差于EMT。

  • 表2显示，EMT在平滑度上的ΔMOS为0.20，显著小于Anticipatory (M)的0.58；享受度上的ΔMOS为0.30，显著小于后者的0.73。配对Wilcoxon符号秩检验p值分别为0.039和0.008，差异统计显著。

  • 未移位条件下，EMT的享受度MOS为3.02，基线为2.98，表明EMT尽管更小，无条件生成质量与基线相当。

  • 基线模型在移位prompt下初期产生不连贯续写，随后逐步恢复；EMT则保持较一致的质量。

🔬 细节详述

  • 消融研究使用LakhMIDI clean子集（LMD clean），随机保留10%作为测试集，其余用于训练。LMD clean约产生79k训练序列和8.7k测试序列，对应约80M训练token和8.9M测试token。

  • 主观评测使用完整LakhMIDI（LMD-full），并遵循与基线相同的train-test split。

  • 数据过滤标准：删除时长小于5秒或大于1小时的文件，以及包含超过60秒拍间间隔（IOI）的文件。

  • MIDI文件先转换为五元组事件序列 \(x=(o,p,d,i,v)\)，分别表示onset、pitch、duration、instrument、velocity。序列前后添加<SOS>和<EOS>。

  • 使用延迟模式将事件属性展平为token流，并连续拼接为固定长度块 \(L_{\mathit{seq}}=1024\)；块内对每个切分段相对化onset值；为每个序列构造注意力掩码以避免拼接轨迹间的注意力泄漏。

  • 预处理数据序列化为内存映射文件以提高I/O吞吐。

  • 模型为12层Transformer，隐藏维度768，中间维度2048，总参数量96M。

  • 使用AdamW优化器，\(\beta_1=0.9\)，\(\beta_2=0.95\)，权重衰减0.1；峰值学习率 \(3\times10^{-4}\)，3%线性warmup，余弦退火至峰值10%。

  • 等变损失权重 \(\lambda=0.001\)，因KL散度数值上通常大于NTP损失。

  • 训练在2张NVIDIA A100或H100 GPU上进行，使用DDP + NCCL；bfloat16混合精度，敏感操作（FME、RoPE、LayerNorm、Softmax）上转fp32。

  • 变换采样：训练时动态采样音高平移 \([-12,12]\) 半音、时间平移0至5秒、步长0.25秒。变换池包括24种音高平移、20种时间平移和480种组合变换；50%概率采样单一变换，50%概率采样组合变换。

  • 论文未披露训练总步数、batch size、学习率warmup步数（仅给出比例）以及推理采样参数（如温度、top-p等）。

  • 客观评估分两个维度：生成能力用验证集上所有属性的交叉熵损失（\(\mathcal{L}_{\mathit{NTP}}\)）衡量；等变性用 \(\mathcal{L}_{\mathit{equiv}}\)、Top-1匹配准确率、Top-5 Jaccard相似度衡量。

  • 测试变换池是训练变换池的超集：音高平移扩大到 \([-24,24]\) 半音，onset平移扩大到0至10秒、步长0.1秒。从扩展池中随机采样20%的单变换（48个音高+100个时间）和1%的组合变换（4800个组合中的48个），共计79个评估用音乐变换。

  • Top-1匹配准确率衡量原始分布与逆变换后分布的最高概率token一致率；Top-5 Jaccard计算两个分布前5个最可能token集合的IoU。

  • 主观评测：使用两组各10个5秒prompt，输出限制为30秒。第二组prompt是第一组的音高/时间移位版本（音高移调不超过±6半音，时间平移不超过1秒）。共20个30秒音乐片段。招募14名参与者，其中12名通过筛选（识别平滑/不平滑转换准确率>75%）。参与者同时听音频并观看同步钢琴卷帘可视化，提示区域高亮。每名参与者以随机顺序评分两个维度：过渡平滑度和整体音乐偏好。报告移位/未移位条件下的MOS，以及ΔMOS（移位与未移位MOS之差）作为鲁棒性指标。

  • EMT约为最小基线模型（Anticipatory S）的1/1.3大小（即小约1.3倍），但等变性和生成质量均更优。

  • 外部基线Anticipatory Music Transformer提供S/M/L三种尺寸和100K/800K训练步的检查点；MIDI-LLM作为另一个外部基线。这些基线在数据、架构、tokenization上与内部模型不完全一致，但仍用于趋势分析和相对比较。

⚖️ 评分理由

  • 创新性 (1.4/2)：首次在生成式Transformer中引入等变正则化损失，通过自蒸馏和stop-gradient在模型级直接约束音乐平移等变性，并揭示标准Transformer等变性随规模扩大而退化的反直觉发现，方法新颖且具有领域启发意义。证据: A_SUMMARY, A_METHOD

  • 技术严谨性 (1.5/1.5)：方法设计严谨：辅助分支与主分支共享权重，损失函数使用stop-gradient防止坍缩，变换的逆操作通过torch.roll实现并有边界掩码；推理时无需辅助分支，方法逻辑自洽，未发现推导或假设层面的明显漏洞。证据: A_METHOD

  • 实验充分性 (1.2/1.5)：包含5个内部消融模型、外部SOTA基线和主观听感测试，并有Wilcoxon统计检验；但外部基线在数据/架构/tokenization上不完全可比，客观等变指标与训练KL目标同源，且未做跨数据集泛化验证，削弱了强因果声明的证据强度。证据: A_RESULTS, A_LIMITS

  • 清晰度 (1.0/1)：总体写作清楚：图1给出双分支训练框架，图2给出架构细节，损失函数和训练流程均有明确公式说明，各组件数据流描述完整。证据: A_METHOD

  • 影响力 (1.0/1.5)：面向音乐生成领域，提出等变正则化可提升生成Transformer的平移鲁棒性和生成质量，结论对符号音乐建模有参考价值，但影响主要限于该子领域，尚未见超出音乐生成的广泛验证。证据: A_SUMMARY

  • 开源 (1.2/1.5)：论文明确声明代码、权重和演示可在线获取，并给出项目页面；但正文未披露GitHub仓库地址和开源许可证，下载途径说明不完整，属于核心产物开放但文档不完整情况。证据: A_OPEN

  • 可复现性 (0.3/0.5)：披露了架构（12层768维96M）、优化器、学习率、warmup比例、损失权重等，但未给出batch size、总训练步数和推理采样参数，关键配置有缺失，实际复现仍有障碍。证据: A_LIMITS, A_METHOD

  • 工程/实践价值 (1.0/1.5)：方法推理时无需额外分支，不增加推理开销，且有FME上采样等数值稳定性处理；但训练需第二次前向传播导致成本约翻倍，且未讨论更长序列或更大模型的效率优化，工程实用性中等。证据: A_METHOD, A_LIMITS

🚨 局限与问题

  • 训练关键超参数披露不足：论文未给出batch size、内部模型的总训练步数或迭代轮数，仅给出warmup比例、峰值学习率等。这会影响他人精确复现。
  • 外部基线可比性有限：Anticipatory Music Transformer和MIDI-LLM在数据、架构、tokenization、训练集规模等方面与EMT不完全一致，表中NTP损失栏显示为“−”，无法直接比较生成能力；等变指标差异可能部分来自数据或预处理差异。
  • 指标同源性：Top-1/Top-5等变指标与训练所用的KL散度目标高度同源（都基于逆变换后的分布对齐），因此这些指标上的优势部分反映的是模型对训练目标的拟合程度，可能高估其对“生成质量”的独立贡献。
  • 模型级等变损失需要第二次前向传播，训练成本约翻倍；论文未讨论针对更长序列或更大模型时的训练效率优化。
  • 仅关注音高平移和时间平移，未覆盖速度、音色、力度等其它音乐变换的等变性。
  • 主观听感测试参与者数量较少（12人通过筛选），且只评价平滑度和整体偏好两个维度，样本量和维度有限。
  • 数据版权问题：LakhMIDI可能包含商业版权音乐的转录/编排，论文伦理声明提醒部署时需确保适当许可。

← 返回 2026-08-06 语音/音乐/音频论文速递