英文题目：Learned Continuous Synthesis of Quadratic Difference Tone Spectra
标签：#音乐生成 | #课程学习 | #音乐 | #实时处理 | #开源工具
评分：7.0/10 | 创新 1.3/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Esteban Gutiérrez：机构信息未在 arXiv HTML 中可靠披露
- Behzad Haki：机构信息未在 arXiv HTML 中可靠披露
- Christopher Haworth：机构信息未在 arXiv HTML 中可靠披露
- Xavier Serra：机构信息未在 arXiv HTML 中可靠披露
- Rodrigo Cádiz：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
二次差频音频谱合成以目标谐波幅度向量为输入，求解经平方律失真映射后能激发出该幻听的载波复音幅度，难点在于失真映射多对一且部分目标无精确实数解，逐帧随机求根会在时变目标下跳变分支导致可闻断裂。该方法先将非零目标向量归一化为单位球面方向以分离尺度，再用三层感知机学习方向分量的逆映射并乘以范数平方根实现精确齐次缩放，输出直接进入固定解析失真函数构成自编码器式重构损失进行训练。训练从以全0.5为中心半径0.1的小球面采样起步，逐步扩大采样半径至1以先锁定局部单分支再光滑外推，并用多随机初始化筛选连续解。在N为5到16的10000个均匀随机目标评测下，神经求解器的重构误差指标均值保持在0.04以下，高于随机Newton-Raphson基线的对应误差指标。与已有方法相比，关键机制差异是连续性与尺度齐次性由网络结构内生保证而非事后强制，计算量与输入条件无关，因而支持连续音色渐变与时变重合成。该结论适用边界仅限于幅度关系反演与中等以上声压级扬声器聆听，尚未验证立方差频音与个体耳蜗差异下的外推，且相同幅度目标的感知显著受载波相位影响。原文未披露训练成本，推理开销在Apple M4 Pro硬件上单次低于0.25毫秒，满足音频控制速率实时部署。
🔗 开源与复现资源
代码相关资源：https://cordutie.github.io/projects/qdts.html — 链接可访问（HTTP 200）
模型相关资源：https://cordutie.github.io/projects/qdts.html — 链接可访问（HTTP 200）
演示资源：https://cordutie.github.io/projects/qdts.html — 链接可访问（HTTP 200）
复现相关资源：https://cordutie.github.io/projects/qdts.html — 链接可访问（HTTP 200）
第三方资源：https://github.com/mpietrus00/sc-qdts — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，输出是什么，为什么幻听能当合成器用？
这篇论文的输入是一个想让听众幻听到的谐波幅度向量，输出是一个实际用扬声器发出的高频载波复音幅度向量。研究目标是学会从前者到后者的连续映射，让作曲家能实时改变音色而不出现断裂。必须保留的关键信息是：载波与目标的频率排布、失真函数的平方律形式、连续性问题的来源、网络如何保证齐次性、训练采样如何从小球逐步扩大、评测在重建误差和平滑性和耗时 3 个轴上与牛顿迭代的对照条件。
先用白话讲听觉现象。2 次差频（quadratic difference tone，缩写 QDT）是一种听觉失真产物：声信号里没有那个频率，听众却清楚听到一个纯音。常用例子是同时放 f1 和 f2 两个正弦，听众在 f2-f1 处听到幻听。论文把耳蜗外毛细胞与基底膜的非线性作为今天的主流解释，但这只是背景，不进入合成公式。2 次差频谱合成（Quadratic Difference Tone Spectrum，缩写 QDTS）是把这个现象组织成乐器的方法：不再只用两个正弦，而是用一串等间隔的高频正弦做载波，让每对相邻正弦产生同一个差频，从而把失真增益叠起来，同时在该差频的谐波上也产生能量。好处是可以用更多、铺得更开的声学分量降低主观声压，减少听觉疲劳。
沿一个样本走完全流程有助于建立坐标。假设想要的目标是基频 F 等于 80 Hz 的幻听复音，谐波幅度是某个向量 t。合成器不直接发出 80 Hz 系列，而是发出从 C 等于 2.00 kHz 开始、间隔同样是 F 的一串高频正弦，幅度是待求的 a。听众听到的是扬声器发出的高频载波，但同时在低频区幻听到目标音高和音色。论文图 1 的 Max 界面快照之外的模型示意图正是这个对应：右侧是实际发出的载波，左侧是被诱发的目标。
2 次差频 × 2 次差频谱合成： 2 次差频是声信号中不存在、但因耳蜗非线性而被听到的 f2-f1 幻听纯音；2 次差频谱合成利用载波复音分工提供声学能量，用相邻正弦对共同产生同一差频及其谐波，目标复音分工规定听觉上想要的 F 到 NF 谐波包络，组合意义是把不可直接发出的幻听目标转成可直接发出的载波设计问题。
听懂这组分工才能理解后文为什么只反演幅度。载波复音负责搬运能量和设定差频间隔，目标复音负责定义想要的幻听音高与谐波包络。理想情况下解出载波就能任意定制幻听音色，但逆问题多值且部分目标根本没有实数解，这是全文所有设计的起点。
此前路线卡在哪里，为什么动态控制会断裂？
同输入同目标的先前工作有两条线。第一条是 Kendall 等人的符号法，对不超过 4 个谐波可以给出闭式解，超过 4 个一般没有闭式。第二条是 Gutierrez 等人的随机牛顿迭代（Newton-Raphson solver），能处理任意谐波数：在固定迭代次数内不收敛就给目标加微小随机扰动再重启，经验上超过 99% 的情况能得到感知上可用的近似解。论文明确报告 N 等于 5 和 6 只证明了复数解存在，而 N 大于等于 5 很容易举出没有实数解的例子，所以数值近似是务实绕行，不是数学上的彻底解决。
随机牛顿迭代 × 神经近似逆： 随机牛顿迭代分工是在每个目标帧独立找一个数值根，精度高但每步可能跳到不同解分支；神经近似逆分工是用一个确定性连续函数一次性给出载波，搭配理由是音乐需要目标随时间变化时载波不跳变，组合意义是用可接受的重建误差换来平滑可插值和固定计算量。
连续性问题的机制要具体化。失真函数是光滑多变量函数，同一个目标一般对应多个实数载波解，也就是多个局部逆。当目标随时间变化时，随机求解器每帧独立选一个局部逆，没有机制约束相邻帧选同一分支。结果是载波幅度在远距离解分支之间跳变，听感上是咔哒声或音色突变。论文因此把此前工具的实际可用范围判定为平稳或近平稳目标，动态音色 morphing 和带时变包络的重合成做不了。这也是本文把连续性做成结构性质而不是事后平滑的原因。
要解的方程长什么样，什么算合格的解？
论文把载波频率固定为 C, C+F, C+2F 直到 C+NF，其中 C 和 F 大于 0，N 是整数。目标频率固定为 F, 2F 直到 NF。如果载波幅度是 a0 到 aN，目标幅度 t1 到 tN 由失真函数 D 从 N+1 维映射到 N 维得到。t1 只含 a0 与 aN 的乘积，t2 是两项交叉乘积之和，依此类推，直到 tN 是相邻载波幅度乘积之和。原文用公式 2 逐项写出这种卷积式交叉乘积结构，含义是每个目标谐波都是若干载波对贡献的叠加。
合格的解分两档。理想是严格左逆，即合成函数 S 满足 D(S(t)) 等于 t。现实是近似逆，即 D(S(t)) 约等于 t，只要重建误差在感知可接受范围。新增的硬要求是 S 本身连续，且最好是确定性的：同样目标每次给出同样载波，插值目标时载波也插值式地变化。论文还指出感知约束：差频的可听性强烈依赖声压，超过约 50 dB SPL 才可听，且每增加 1 dB 主音，差频增长约 2 dB。这解释了为什么载波设计要在可听性和舒适度之间权衡，也解释了为什么用复音叠加增益是有音乐意义的。
总体用什么结构把连续性做成固有性质？
总体思路是自编码器式结构：把解析已知的失真函数 D 当作固定的解码器，把待学的合成函数 S_theta 当作编码器。训练只比较目标端：把 S_theta 输出的载波再送进 D 得到重建目标，与原始目标算均方误差。推理时只用 S_theta，不再迭代求根，因此计算量固定、输出确定。连续性来自 S_theta 本身是神经网络连续映射，不依赖对相邻帧的后处理。
为理解频率与幅度的分工，先读模型示意图。该图横轴是频率，纵轴是幅度，右侧蓝色实线峰是载波，左侧橙色虚线峰是目标，中间箭头标 D 表示由载波算出目标的方向。教学上不要把箭头读反：合成时我们沿反方向走，从左侧想要的目标反推右侧应发的载波，但物理与感知因果仍是从右侧载波到左侧幻听。
看图路径： 1. 先看横轴频率刻度：左侧低频目标区标 F 到 NF，右侧高频载波区标 C 到 C+NF；2. 再看纵轴幅度峰：左侧橙色虚线是幻听目标 t1 到 tN，右侧蓝色实线是实际发出载波 a0 到 aN；3. 最后看中间带箭头的 D：确认方向是从右侧载波映射到左侧目标
论文图 1。原论文 Figure 1:：“Illustrative frequency-amplitude representation of the QDTS model.”。
这张图确认了全文的符号约定：小 a 表示实际发出的载波幅度，小 t 表示幻听目标幅度，大 D 是正向失真函数，大 S 是待学的反向合成函数。后文所有公式都沿用这套字母，看到 S_theta 就知道是神经网络给出的载波，看到 D(S_theta(t)) 就知道是把该载波再正向算回目标以检验重建质量。
失真与合成的数学关系如何分解为可学习部件？
先看正向映射的定义。D 把载波幅度向量映射为目标幅度向量，这是全文的事实起点，符号与输入输出维度必须先记住。
\[D(a_{0},\dots,a_{N})=(t_{1},\dots,t_{N}),\]上式中 a0 到 aN 是载波幅度输入，t1 到 tN 是目标幅度输出，D 的每一分量都是 2 次多项式。接着看合成目标：理想合成函数 S 应满足左逆关系，这是评价重建误差的依据。
\[D(S(t))=t.\]上式把合格标准写成等式，但论文反复强调该等式并非总可实现，可实现的是近似版本。理解这两式的关系是关键：前者是已知物理模型，后者是待学逆模型，训练损失就是后者两边之差的平方范数。
失真函数 × 合成函数： 失真函数分工是把载波幅度向量按平方律交叉相乘算出目标各次谐波幅度的正向已知映射，合成函数分工是把目标幅度向量反推回载波幅度的待求逆映射，搭配理由是正向可解析写出而逆向多值难解，组合意义是把合成问题明确为学一个连续的近似左逆 S 使 D(S(t)) 约等于 t。
再看齐次性如何把学习任务变小。D 是 2 次齐次的，载波整体放大 lambda 倍，目标放大 lambda 平方倍。
\[D(\lambda a)=\lambda^{2}D(a).\]由此推出逆映射应满足平方根缩放律，目标放大 lambda 倍，载波应放大根号 lambda 倍。论文把该约束做进结构：先把目标除以其范数得到方向，再用浅层网络只学方向到载波方向的映射，最后乘回范数的平方根。
\[S_{\theta}(t)=\sqrt{\|t\|}\,s_{\theta}\left(\frac{t}{\|t\|}\right),\]上式中 t 非零，s_theta 是实际的浅层多层感知机，原文经验测试选了 3 层。好处有 3 层含义：缩放行为精确成立不靠学习，训练只在单位球面上做更稳定，训好后可自然推广到全空间。这种分解也解释了为什么后文课程式采样要在球面上做：网络真正要学的就是球面上的角向逆。
齐次性 × 球面归一化网络： 齐次性分工是规定幅度整体缩放时的解析约束，失真函数满足 2 次齐次而逆映射应满足平方根缩放；球面归一化网络分工是只在单位球面上学习方向分量 s_theta，再乘回幅度的平方根，搭配原因是把缩放行为做进结构而不用学，组合意义是保证外推连续、训练只看归一化向量更稳定。
训练如何采样、算损失并应对多值逆？
训练流程是标准的重建训练，但采样域是刻意设计的课程。损失就是重建误差的平方，输入目标 t 经 S_theta 得到载波，再经固定 D 得到重建目标，与原 t 比较。
\[\mathcal{L}(t)=\|D(S_{\theta}(t))-t\|^{2}.\]上式没有可学的解码器参数，梯度只流经 S_theta。原文未报告优化器类型、学习率、轮数等超参数细节，这是本节的明确缺项，不能从多层感知机名称推定用了 Adam 或特定学习率。能确认的是网络结构是 3 层 MLP，直接建模归一化后的 s_theta，且对每个 N 独立训练模型。
自编码器视角有助于定位监督来源。该图从左到右是目标经 S_theta 到载波再经 D 到重建目标，底部把原始目标与重建目标送入 MSE。这说明监督完全来自解析模型自身的重建一致性，不需要采集人耳听觉标签，也不需要外部音频数据集。换句话说，这是有模型自监督，不是感知实验回归。
看图路径： 1. 从左到右跟随主路径：目标向量经 Synthesis model S_theta 到载波再经 Distortion function D 到重建目标；2. 看底部回路：重建目标与原始目标汇入 MSE 框，确认监督只比较目标端；3. 确认 D 框无可训练参数，S_theta 是唯一学习部件
论文图 2。原论文 Figure 2:：“Autoencoder-like architecture. The distortion function works as a decoder, while the synthesis function is learned.”。
这张图把可训练与不可训练的分界讲清楚了：左侧梯形是可学的合成模型，右侧梯形是固定的失真函数。复现时必须冻结 D，只更新 S_theta；若把 D 也当可训练，整个幻听物理约束就被破坏了。
课程式采样的具体动作是：先在中心为全 0.5 向量、半径 0.1 的小球面上采 512 个向量为一批，共采 10000 批，训出一个局部逆，再把半径每次加 0.1 直到 1，逐步扩大定义域。动机是先在一个多值冲突较小的局部学到一个分支，再平滑外推，避免一开始就在大范围多个分支间震荡。按下表逐列核对即可复述该协议，表中数字全部来自原文连续句，不是示例值。
| 训练要素 | 采样对象 | 批量与阶段规模 | 半径课程 | 模型分支数 |
|---|---|---|---|---|
| 课程式球面采样 | 以全 0.5 为中心的球面目标向量 | 每批 512 个向量，共 10000 批起步 | 起始半径 0.1，每步加 0.1 直到 1 | 每个 N 做 8 次随机初始化 |
| 正则分支 | 同上球面目标向量 | 同上批量设置 | 同上半径课程 | 另做 8 次带 a0 约等于 t1 正则 |
上表说明论文用分支数量换稳定性：每个 N 在 5 到 16 范围内都训 16 个变体，其中一半加了让 a0 接近 t1 的正则，该正则沿用此前数值工作的做法以定位解。代价是总训练量大，但推理时每个变体都是独立可用的音色选项。未报告的是每次加半径后是否重置优化器或保留权重继续训，原文只说逐步扩大，复现时应先按保留权重继续训实现，并在记录中注明该假设。
评测在什么条件下比较，指标方向如何读？
评测分 3 个问题：重建准不准、控制平不平、算得快不快。基线是 Gutierrez 等人的牛顿迭代实现，比较时用同样的随机目标序列和同样的 N 范围。指标方向要先讲清：重建误差越小越好，平滑性越接近线性插值越好，耗时越小且方差越小越适合实时。
3 类评测的输入规模与判定阈值不同，不能混读。下表把条件并排，阅读时先看采样分布与聚合对象，再看阈值数字。表中 N 均指目标谐波数，载波维度是 N 加 1。
| 评测问题 | 输入采样与规模 | 聚合与对照 | 通过线与硬件条件 | 论文特有细节 |
|---|---|---|---|---|
| 重建误差 | 在 0 到 1 区间均匀采 10000 个目标幅度向量 | 对全部 N 在 5 到 16 与 16 个模型变体聚合均值与标准差 | 均值误差低于 0.04 视为可用 | 与牛顿迭代算同一训练损失 |
| 控制平滑 | 采 10000 对端点 A 与 B 且 B 等于 1 减 A，11 个等距插值点 | 对全部 N 与 16 个变体汇总归一化输出距离 | 越接近对角线 r 等于 alpha 越好 | 牛顿迭代不做该评测因逐帧独立 |
上表澄清了公平性边界。重建与耗时是双边对照，牛顿迭代参与比较；平滑性是单边刻画，只报神经求解器，因为牛顿迭代每步独立选分支，算出的 r 值是任意的，强行比较没有意义。硬件预算只报告了推理端是 Apple M4 Pro，没有报告训练用卡与时长，因此不能从推理快推出训练便宜。Max 实现用 ONNX Runtime 跑导出的 ONNX 模型，载体是 qdts.solver_nn 外部对象加配套 patch，可选谐波数、目标与载波频率、目标幅度分布和 16 个模型变体。
精度换了什么，平滑与速度的证据有多强？
先看精度主结果。图 4 横轴是目标谐波数 N，纵轴是对数刻度的重建误差，红色是牛顿迭代，蓝色是神经网络，阴影是均值加减标准差。像素可见蓝色整体高于红色，说明神经方法数值精度确实较差。但蓝色均值在全 N 范围仍低于 0.04，且阴影虽宽但未发散，论文据此判定在感知与音乐应用可接受。图中 N 等于 10 附近蓝色有一个尖峰并标注约 3.19e-02，红色在 N 等于 7 附近标注约 6.02e-05，这两个标注值应读作该 N 下的均值点，不是全程最值。
看图路径： 1. 先看横轴 N 从 5 到 16，纵轴是对数刻度的重建误差 MSE；2. 比较红色牛顿迭代带与蓝色神经网络带在每个 N 的均值高低；3. 观察蓝色带在 N 等于 10 附近的凸起与标注值，再看阴影宽度随 N 的变化
论文图 4。原论文 Figure 4:：“Reconstruction error as a function of N for the neural network solver and the Newton–Raphson solver. For each N, the results are aggregated across all 16 model variants.”。
这张图不支持把总体趋势推广到每一组：蓝色误差随 N 缓慢上升但在个别 N 回落，红色也有起伏。更重要的是数值相同不代表感知相同，重建误差是幅度平方误差，不是听感评分。论文的措辞是谨慎的，说神经求解器精度较低但仍在可接受范围，没有声称听感无差异。
再看平滑性。评测构造是取随机端点 A 与 B，在 11 个 alpha 点线性插值目标，算输出载波偏离起点的距离占总端点距离的比例 r。若模型完全线性，r 应等于 alpha。像素可见蓝色均值紧贴灰色理想对角线，只在中段略向上鼓，阴影窄，说明载波随目标连续可预测变化。这是结构连续性的直接证据，也是此前随机求解器给不了的性质。
看图路径： 1. 先看横轴插值因子 alpha 从 0 到 1，纵轴归一化输出距离；2. 比较蓝色神经求解器折线与灰色虚线理想对角线的贴合程度；3. 观察 0.4 到 0.7 段向上偏离对角线的幅度与两侧阴影宽度
论文图 5。原论文 Figure 5:：“Normalized output distance r(\alpha) of the neural network solver at 11 interpolation points between two random endpoint spectra, pooled across all target spectrum sizes N\in\5…”。
这张图要结合构造读：分母是端点输出距离，若端点输出本身很接近，分母很小会导致 r 不稳定，但大样本聚合后阴影仍窄，支持稳定性结论。论文没有给牛顿迭代的对应曲线，明确说该对照无意义，这不是漏报，而是由方法逐帧独立性决定的。
速度方面，图 6 显示神经求解耗时随 N 平缓上升且方差近乎常数，全程低于 0.25 毫秒；牛顿迭代均值更高且在 N 等于 7 到 8 处出现很大的向上阴影，说明随机重启在难例上耗时剧烈抖动。原文把原因归于输入相关的重启次数不固定，而神经网络是固定前向操作序列。注意这是控制线程的求解耗时，不是端到端音频延迟，帧分析、加法合成与 Max 调度的延迟另计。
哪些设计在起作用，失败条件在哪里？
论文没有传统意义的消融表，但提供了 3 类可当反证读的细节。第一是模型变体：每个 N 训 16 个变体，一半无正则、一半加 a0 约等于 t1 正则。图 4 把 16 个变体聚合后标准差带仍较窄，说明不同初始化与该正则下都能学到可用的连续逆，不是碰运气。第二是谐波数扫描：N 从 5 到 16 全覆盖，误差与耗时趋势在该区间成立，区间外未评测，不能外推到 20 个以上谐波。第三是目标域：训练采样是以 0.5 为中心、半径逐步到 1 的球面，评测采样是 0 到 1 均匀分布，两者不完全同分布，评测实际上考了外推，误差仍低于 0.04，这比同分布评测更能支持泛化。
失败条件也要明说。数学上部分目标没有实数解，神经方法只能给近似，误差尖峰出现在 N 等于 10 附近就是例证。感知上载波相位能显著改变差频凸显度，但当前模型只反演幅度，同样幅度目标可能听感不同。应用上此前要求用音箱在中高声压回放而不用耳机，论文沿用该建议，说明响度与空间条件仍是可听性的前提，不是解出载波就万事大吉。
立方差频为什么不能直接套用这套做法？
论文把立方差频谱列为最难的未来工作，理由有 3 层，都值得初学者区分。第一是多项式次数：立方非线性的齐次度是 3，载波与目标关系次数更高，局部逆更多，学习时分支冲突更严重。第二是频率比依赖：2 次分量对音程大小近似不变，可在等间隔复音上线性叠加；低频立方差频在 2f1-f2 处，其幅度随 f2 与 f1 比值强烈非单调变化，没有可比的不变性，失真函数本身就要引入比值相关的增益项，而该项形式尚未确立。第三是个体与电平敏感性：立方差频对绝对声压、两主音不平衡和个体耳蜗差异更敏感，群体层面的合成目标有效性变弱。
载波幅度 × 载波相位： 载波幅度分工是当前模型唯一反演的量，直接决定公式预测的目标谐波幅度；载波相位分工是影响差频实际可听凸显程度但未进模型的量，搭配原因是幅度模型在数学上已可闭环而相位感知规律尚未形式化，组合意义是同样幅度目标可能听感不同，补相位控制才能收紧数学目标与听觉的对应。
回到本框架的局限：幅度逆已解决连续与实时，相位仍是开放控制维。论文的声音例子显示，固定幅度只改载波相位就能增强或抑制差频出现，还有连续相位扫掠的 morphing。Max patch 因此暴露了逐个相位参数，但这部分只有定性演示，没有重建误差那样的定量指标。复述时不要把相位例子当成模型自动优化了相位，它只是说明相位值得做成下一代目标。
要复现应先跑什么，需要哪些文件与条件？
复现分 3 步，每步的输入输出要对齐。首先复现公式与数据流：按公式 1 到 7 实现 D 与 S_theta 的齐次包装，用 3 层 MLP 建模归一化分支，损失只用目标端均方误差，D 保持解析不可训练。其次复现课程采样：从中心全 0.5 半径 0.1 开始，每批 512 个向量共 10000 批，再每次加 0.1 直到 1，每个 N 做 8 次随机初始化加 8 次带正则初始化。缺失的优化器与学习率需自己补并记录，不能默认原文用了某种设置。
声音例子的配置表是检验泛化的好起点，下表 3 个例子覆盖不同基频与谐波数，载波都在 2 kHz 以上，目标在 70 到 100 Hz 量级。注意原文对例子 C 只说可变基频而未给固定值，复现时不要编造一个固定值。
| 例子 | 目标谐波数与基频 | 载波起始频率 | 模型变体含义 |
|---|---|---|---|
| 例子 A | 9 个谐波，基频 73.4 Hz | 载波 2 kHz | N 等于 9 的第 2 个变体 |
| 例子 B | 10 个谐波，基频 98.0 Hz | 载波 2.5 kHz | N 等于 10 的第 7 个变体 |
| 例子 C | 14 个谐波，可变基频 | 载波 2.5 kHz | N 等于 14 的第 11 个变体 |
上表对应论文 5.1 节的平稳合成演示，目的是验证同一 learned 映射在不同音高下稳定，且谐波能量重分布可控。进一步的重合成例子用了基频跟踪加谐波包络估计，把时变包络送进神经求解器，这正是此前平稳假设下做不了的。交互例子在前 3 个谐波附近各加一个外部正弦，听拍频以验证幻听与真实声学音的干涉；相位例子固定幅度只改相位，演示增强与抑制两种状态。所有音频与教程的可用性应以资源状态为准：本次收到的官方项目页状态是可用，第三方 SuperCollider 移植页状态也是可用，复现时优先用官方页的 Max 外部与模型，再用第三方移植交叉核对行为。
何时值得尝试这套工具，还缺哪项验证？
当你的目标是可演奏的幻听音色时值得尝试：需要连续改变目标谐波包络、做时变重合成、或在 Max 里实时试听，且能接受重建误差略高于牛顿迭代。论文的证据支持是：全 N 在 5 到 16 上误差低于 0.04，平滑曲线贴近理想对角线，求解耗时低于 0.25 毫秒且方差小。当你的目标是离线追求最高数值精度、或谐波数超出 5 到 16、或主要玩立方差频时，这套预训练模型不是直接答案。
动手顺序建议是：先在官方项目页下载 qdts.solver_nn 与配套 patch，用 80 Hz 左右目标和 2 kHz 左右载波听平稳例子，确认用音箱在中高声压下可听；再拖动目标幅度滑杆看载波是否连续变化、误差显示是否稳定；再换 N 与模型变体听同一目标下声学载波音色不同但幻听音高稳定的现象；最后再试时变包络与相位参数。缺项验证有三项：感知听辨实验尚未做，不能把 0.04 误差等同于听感无差。
训练成本未报告，不能估计复训开销；端到端延迟未测量，不能把求解耗时当系统延迟。补上这三项，才能把可实时求解推进为可实时演奏的完整论证。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses