段落是功能语境而非情绪模板：100 首中文流行歌的局部循环与全局累积

英文题目：Sectional Structure and Emotional Dynamics in Chinese Pop Songs: An Empirical Analysis of Valence-Arousal Trajectories across 100 Songs

标签：#音乐理解 | #统计分析 | #音乐 | #音乐信息检索

评分：5.2/10 | 创新 1/2 | 技术严谨 1.2/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

👥 作者与机构

• Jingyi Lyu：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

该研究输入为完整中文流行歌曲音频，输出为与主歌、副歌等七类功能段落对齐的连续效价与唤醒度轨迹，难点在于相同声学变化在不同曲式位置承载不同功能含义。方法链分四步：先按歌手分层配额抽取100首歌曲并人工标注1046个段落边界形成结构框架，再冻结双教师模型以0.5秒步长推断全曲连续效价值与唤醒度值并与边界对齐。接着经滑窗融合后按段取均值得到段级情感表示，最后以歌曲为配对单元做段类型、相邻转移、重复段与整曲路径统计检验，使帧级估计逐级汇入歌曲级推断。与固定窗切分或仅区分主副歌的已有音乐情感识别不同，该工作把连续轨迹显式映射到七类功能语境并检验重复段情感回归与整曲累积，使局部循环与全局累积可被量化区分。在100首歌曲语料的歌曲加权评测下，副歌的唤醒度指标为0.206，高于主歌的唤醒度指标-0.073。结论仅适用于所选华语流行样本与模型估计VA，不支持因果解释与单模板推广。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

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、目标是什么：为什么要把段落和情绪轨迹放在一起看？

这篇论文的输入是 100 首中文流行歌曲的完整音频，目标是解释一首歌内部的情绪是如何随结构展开的。作者使用的情绪语言是效价-唤醒模型。效价描述情绪的正负极性，唤醒度描述激活水平的高低，例如平静叙述与高能量释放的区别。动态音乐情绪识别希望输出的不是一首歌一个标签，而是一条随时间连续变化的效价-唤醒轨迹。 论文要解决的矛盾是，已有动态情绪识别能说清情绪何时变化，但只用时间位置说不清变化在曲式中的功能。

同一个数值上升，发生在主歌、预副歌还是副歌里，意味着不同的铺垫、推进或到达。反过来，流行曲式理论能说清主歌铺垫、预副歌推进、副歌到达的分工，但很少用连续轨迹去量化这种分工到底对应多大幅度的情绪变化。因此作者把 1046 个手工段落与帧级轨迹对齐，从段落类型、相邻转移、重复段落和整首路径 4 个视角做分析。

本解读的输出是一份可核对的方法复述：先讲语料和标注如何得到，再讲情绪数值如何算出并对齐到段落，再讲统计以歌曲为单位如何避免重复段落权重失衡，最后讲主结果、反例和复现要点。凡是教学用的举例会明确标为例子，不把例子当作论文报告的数值。

已有路线走到哪里：连续情绪建模与流行曲式分析各缺了什么？

第一条路线是连续效价-唤醒建模。作者回顾了从 Russell 的环形模型到 Schubert 的 2 维连续测量，再到 1000 Songs、DEAM 和 PMEmo 等提供时间连续标注的数据集。这条路线让一首歌内部的情绪起伏可以画成轨迹。近期音乐表征学习进一步增强了对局部音频变化的敏感性，例如 MERT 通过大规模自监督预训练学习音高、音色和高层语义，也有工作把连续音频切成局部片段先学特征再建模序列。

但作者指出，这些片段多半是固定时间窗切出来的，不直接对应主歌或副歌等功能段落，所以能指示何时变化，不能说明变化的形式语境。 第二条路线是流行曲式功能分析。常见标签包括前奏、主歌、预副歌、副歌、间奏、桥段和尾奏。

作者引用的观点是，主歌建立语境和相对低强度的基线，预副歌通过织体、节奏、音区和谐声节奏的变化制造动量、延迟到达并强化副歌的到达感，主歌-预副歌-副歌可以看成有方向的形式过程，桥段常在后半段打破循环制造对比，间奏和尾奏分别承担连接、能量转向和终结收束。同时作者引用 de Clercq 的提醒，形式标签是感知性的、本来就有模糊性，不应脱离具体音乐语境做机械解读。 缺口就落在两条路线的中间。

已有把段落引入情绪建模的工作，例如用主歌和副歌的音频加歌词特征做整首分类，仍停留在预设的主歌-副歌结构和整首类别上，没有刻画包含前奏、间奏、桥段和尾奏的完整歌曲连续变化，也没有检验同一段落类型在重复出现时情绪是否相同。本文就是要补这一块：用完整歌曲的多功能段落加连续轨迹，检验同一标签在不同位置是否对应不同情绪状态。

本文要回答的具体问题是什么：四个视角如何分工？

论文把大问题拆成 4 个可操作的统计问题。第一，段落类型问题：不同功能段落在效价-唤醒空间里整体落在什么位置，主歌是否更低、副歌是否更高，预副歌是否居中。第二，相邻转移问题：从一个段落进入下一个段落时，效价和唤醒度平均变化多少，进入副歌是否只有一条路，进入尾奏是否一致回落。第三，重复段落问题：同一类型第 1 次出现和最后 1 次出现相比，情绪是回到原点还是上移到更高状态，副歌的上移是否大于其他段落。

第四，整首路径问题：局部循环和整首方向如何共存，高唤醒位置是否固定在最后 1 次副歌，最大幅度的相邻变化更常发生在进入副歌还是进入尾奏。 4 个视角的分工是层层收紧解释。类型分析给出位置，转移分析给出局部方向，重复分析检验标签是否等于固定情绪状态，整首分析检验局部规律能否拼成统一模板。作者反复强调的判断标准是，段落标签更适合当作解释情绪变化的功能语境，而不是决定变化方向的固定模板。

这个判断需要同时用集中性证据和多样性证据来支持，不能只看平均值。

方法全景：从一首歌到四组统计要走哪几步？

沿一首歌走完流程最容易记住。输入是一首完整歌曲音频，时长平均约 257.48 秒。研究者先通过仔细听辨出手标出段落类型和边界，共得到 1046 个段落，平均每首 10.46 个段落。然后用冻结的教师模型对整首音频做帧级效价和唤醒度推断，时间分辨率是 0.5 秒，全 100 首共 51448 个预测帧。推断时不用段落边界、段落标签和人工情绪标注。

推断完成后再把帧级预测映射到已经固定的手工边界上，共有 51444 帧成功落入 1046 个功能段落，超出最后边界的 4 个尾部帧被排除。每个段落的效价和唤醒度取其包含帧的算术平均，后续所有分析都基于段落均值及其差值。 统计以歌曲为首要推断单位。对于涉及两种段落类型的比较，只在同时包含这两种类型的歌曲内做配对差异，并用双侧 Wilcoxon 符号秩检验加 5000 次非参数自助法估计 95% 置信区间，同族多重比较用 Holm 校正。

同一首歌内同一种转移出现多次时，先在歌内平均再跨歌分析，避免重复次数多的歌曲权重过大。因为同一歌手可能贡献多首歌，还做了按歌手聚类的自助法作为敏感性分析。

连续效价-唤醒轨迹 × 功能段落结构： 连续效价-唤醒轨迹负责回答情绪何时变化、变化多大幅度，它以 0.5 秒帧为单位给出效价和唤醒度的数值序列；功能段落结构负责回答变化发生在什么形式语境中，它把主歌、预副歌、副歌等标成有分工的位置。两者搭配的理由是只看时间位置无法区分同一种数值上升在主歌还是在副歌里的意义，而只看段落标签又无法量化到达副歌是渐强还是高位延续，把帧级轨迹映射到手工边界上，才能按段落类型、相邻转移、重复出现和整首路径 4 种视角做统计。

情绪数值如何算出：教师模型输入、结构与滑动窗口是什么？

教师模型是两个结构相同但独立训练的纯音频模型，分别输出效价和唤醒度，数值范围是负 1 到 1，推断期间参数冻结。每一步输入是 MERT-v1-95M 第六隐层 768 维表示与 260 维动态 OpenSMILE ComParE_2016 特征拼接，压缩到 112 维后送入全局-局部双向门控循环单元。作者说明教师模型在 PMEmo 上训练和选择，锁定的测试集上片段级皮尔逊和一致性相关系数在效价上为 0.8029 和 0.8002，在唤醒度上为 0.8574 和 0.8548，0.5 秒帧级对应值为 0.8106 和 0.8016 以及 0.8487 和 0.8392。

本文分析的 100 首歌没有用于教师模型的训练、验证或测试，因此输出应理解为模型估计的效价-唤醒，而不是人工连续标注的真实值。 全曲推断用 30 秒滑动窗、15 秒跳步，重叠窗口的预测用 Hann 加权交叠相加融合成连续轨迹。这里的 30 秒是感受野与计算折中的窗口选择，15 秒跳步保证相邻窗口有一半重叠，Hann 加权让窗口边缘权重渐小、中心权重渐大，从而减少拼接边界跳变。最终时间分辨率仍是 0.5 秒。

需要提醒初学者，窗口融合并不能创造窗口之外的长时结构信息，它只是让长歌可以分段推断再平滑拼接。

MERT 表征 × OpenSMILE 动态特征： MERT 表征负责从音乐音频中提取音高、音色和高层语义等可迁移的表示，本文取第六隐层 768 维向量；OpenSMILE 动态特征负责补充 ComParE_2016 体系下的 260 维声学动态信息，对局部能量和频谱变化更敏感。两者搭配的理由是单一自监督表征可能漏掉短时声学起伏，而纯声学特征又缺少音乐语义上下文，拼接成 1028 维后再压缩到 112 维送入全局-局部双向门控循环单元，可以同时利用长时上下文和局部变化来输出效价和唤醒度。

段落如何标出：七类标签、质检与模糊边界如何处理？

段落标注由研究者本人通过听辨完成，标签固定为前奏、主歌、预副歌、副歌、桥段、间奏和尾奏 7 类。标注完成后，请 1 位有音乐科班训练的审阅者复核其中 10 首，结果是没有修改段落类型或边界。最终标签和边界在帧到段落对齐和统计之前就固定下来。作者还检查了段落连续性和帧覆盖，确认 1046 个段落都有有效预测。 关键细节是作者承认桥段、间奏以及弱分化的主歌与副歌边界可能仍有解释弹性，因此分析重点放在跨歌的重复趋势，而不是对单个段落做类别化解读。

这也是后文统计坚持以歌曲为单位、并对重复转移先做歌内平均的原因之一：单个边界的主观差异不应通过增加样本量被放大成显著性。

主歌 × 副歌： 主歌负责建立叙事和低激活基线，在本样本中 song-weighted 平均唤醒度最低；副歌负责以重复歌词、密集织体和更强人声形成结构上的到达点，表现为更高的唤醒度。两者搭配的理由是流行曲式需要先铺陈再释放，预副歌夹在中间起推进作用，组合意义在于主歌到副歌不是简单的情绪标签切换，而是一个以唤醒度为主的强化过程，效价差异则不如唤醒度稳定。

本研究训练了什么、冻结了什么：没有新模型训练时计算发生在哪里？

本研究没有训练新的情绪估计网络。需要更新参数的训练只发生在前置的教师模型阶段，且该阶段使用 PMEmo 数据集完成，与本文 100 首歌无关。在本文阶段，两个教师模型完全冻结，只做前向推断，不使用段落标签做监督，也不根据段落边界重置状态或梯度。监督来源、参数更新和重置时机都不在本研究内发生，缺的是本文语料上的人工连续效价-唤醒标注对照，作者明确把输出定性为模型估计值。 真实计算发生在 3 个地方。

第一是滑动窗口前向推断加 Hann 加权融合，得到每 0.5 秒一个效价和唤醒度。第二是帧到段落的映射与段落内算术平均，把 5 万量级帧压缩成 1046 个段落均值。第三是段落均值上的派生量计算，包括相邻段落差值、连续主歌到预副歌再到副歌的两段唤醒度变化、副歌进入路径的近似连续计数阈值、整首路径长度、首末位移和直接度，以及把整首帧级轨迹线性插值到 101 个归一化时间点求平均轨迹。

冻结参数不等于系统输出确定，因为滑动窗位置、融合权重和段落平均都影响最终段落均值，只是网络权重本身不再变化。

语料、采样与统计口径：100 首歌如何选、如何聚合才公平？

语料来自 QQ 音乐歌手榜前 60 名艺人，按排名分层做配额采样：第 1 到 10 名每人 3 首，第 11 到 30 名每人 2 首，第 31 到 60 名每人 1 首，共 100 首。合作曲按剩余配额归属到相关艺人，最终包含 60 个配额艺人和 68 个不同演唱者署名。作者说明榜单只提供市场流行度的一般背景，具体排名只用于分层，不被当作单首歌流行度或艺术质量的直接度量。结构与时长相关的度量在排名层之间经多重比较校正后没有清晰差异，因此不再解释排名与曲式或情绪的关系。 聚合口径是复现时最容易错的地方。

描述性段落均值可以直接平均所有段落，但推断分析必须先把同首歌内同类型段落或同种转移在歌内聚合，再跨歌比较。例如比较副歌与主歌时，只用同时包含两者的歌曲做配对差；同一种转移在一首歌出现多次时，先平均成一个歌级值。进入副歌的近似连续阈值取效价和唤醒度变化绝对值小于 0.05，只用于模式计数，不参与显著性检验。

整首轨迹分析把每首歌插值到 101 个归一化时间点，记录最高平均唤醒度所在位置与段落类型、是否为最后 1 次副歌，以及相邻段落欧氏距离最大的转移发生在进入哪个段落。

段落位置与局部转移：唤醒度为主的到达和回落在哪里？

先看样本结构问题：整首模板是否统一，局部转移是否集中。下表把高频转移的计数与段落覆盖放在一起，比较问题是跨歌共性更体现在整首序列还是局部相邻关系，公平条件是同一 100 首、同一 1046 段划分，指标方向是转移计数占比越高表示局部越集中，序列种类越多表示整首越多样。

表后解释需要同时看到两面。多样性证据是 76 种原始序列和 49 种合并序列，且 36 种只出现 1 次，说明没有单一整首模板。

集中性证据是 8 种高频转移占全部 946 次转移的 76.5%，说明可识别性保留在局部。未胜出项是桥段和预副歌覆盖率明显低于主歌副歌，预副歌只在 38 首出现，因此后文关于预副歌渐强的结论是有条件结论，只在包含该结构的歌曲内成立，不能推广为每首歌都有预副歌。

形式重复 × 情绪重复： 形式重复指同一段落类型在同一首歌里出现多次，例如多次副歌；情绪重复指后 1 次出现的效价-唤醒均值回到第 1 次的水平。两者搭配要检验的原因是直觉上会把同一标签当成同一情绪，但本文比较首次与末次出现发现主歌、预副歌、副歌和间奏的末次效价和唤醒度都显著更高，说明形式上回来了、情绪位置已经上移，组合意义就是论文提出的“形式重复而不完全情绪重复”，后期累积是整首层面的共同趋势而非副歌独有。

段落情绪位置的核心发现是差异主要在唤醒度。歌级加权平均显示主歌唤醒度最低，副歌更高，桥段更高；配对比较进一步去掉歌曲基线差异。下表把关键均值差放在一起，比较对象是同一首歌内的两种段落，指标方向是差值为正表示前者高于后者，并同时看正向比例。

表后解释要区分位置与路径。

位置上主歌是低激活基线，预副歌居中渐强，副歌是更明显的高唤醒到达，且副歌高于预副歌在 38 首含预副歌歌曲中 100% 成立。路径上进入副歌并不只有一条路：在 362 次进入副歌中，效价唤醒度同增 138 次占 38.1%，仅唤醒度明显上升 71 次占 19.6%，双维近似稳定 64 次占 17.7%，其余为效价降唤醒升或双降等少数模式。代价是效价差异不如唤醒度一致，桥段虽平均高于副歌，但进出桥段的局部方向并不一致。

前奏到主歌唤醒度平均下降 0.056，说明很多歌是从前奏落回更低的主歌，副歌到间奏唤醒度变化仅 +0.010 且置信区间包含零，更像过渡或能量维持而非立即回落。

重复与整首：后一次更高、高唤醒偏后但不在最后一次副歌意味着什么？

重复段落检验回答标签是否等于固定情绪。首次与末次比较显示，主歌、预副歌、副歌和间奏的末次效价和唤醒度都显著更高，歌手聚类自助区间仍为正。其中副歌唤醒度平均上升 0.225 且 90% 歌曲为正，间奏上升 0.260 且 93.9% 歌曲为正。但副歌的首次末次唤醒度差与主歌、预副歌、间奏的对应差异相比，Holm 校正后 p 值分别为 0.142、0.214 和 0.751，均不显著。因此后期上移不是副歌独有，不能只归因于最后 1 次副歌更强。

整首路径进一步把局部起伏和全局方向放在一起。下表比较路径长度、首末净变化与最高唤醒位置，公平条件是同一段落均值序列与同一 101 点归一化轨迹，指标方向是直接度越小表示迂回越多，最高唤醒位置越靠近 1 表示越偏后。

表后解释要回答两个易错点。

第一，高唤醒偏后不等于高潮固定在最后 1 次副歌：最高唤醒是副歌的只有 53 首，是最后 1 次副歌的只有 31 首，其余可落在间奏、桥段甚至尾奏。第二，结尾不只是到达，还包括释放：最大欧氏距离转移发生在进入尾奏的有 44 首，多于进入副歌的 27 首，且副歌到尾奏效价和唤醒度同时下降。平均轨迹峰值在归一化 0.75 和 0.78 附近，首末净变化唤醒度 +0.193 且 75% 歌曲为正，效价仅 +0.039 且 56% 为正，再次支持差异以唤醒度为主。

反例是整首轨迹并非单调上升，平均路径直接度只有 0.242，说明局部多次转向和回落是常态。

哪些对照支撑结论不被个别歌手或基线差异带偏？

论文没有做去掉某个网络模块的消融，因为本研究不是提出新网络，而是用冻结教师模型做测量。对应的稳健性对照是统计层面的。第一是同歌配对，它扣掉歌曲整体偏正或偏负的基线，只看同一首歌内两种段落的差值，因此副歌高于主歌的结论不是因为某些歌整体更高。第二是歌内先聚合再跨歌平均，它避免副歌次数多的歌在转移统计里占更大权重。第三是按歌手聚类的自助重采样，检验多首歌来自同一歌手带来的相关性。

结果是核心比较方向与歌级分析基本一致，只有尾奏与前奏的效价差仍不确定，说明主要发现不是少数高产歌手驱动的。 另一个对照是阈值只用于计数。进入副歌的正负 0.05 阈值只用来数有多少种到达模式，不进入显著性检验，因此改变阈值会改变 3 类路径的占比数字，但不会改变存在多条路径的定性判断。

缺失的对照也应点明：作者没有比较换用人工连续标注会得到什么，也没有按响度、节奏、音区、和声、音色、人声和歌词分组验证唤醒度主导的机制假设，因此把能量密度解释为成因仍是待验证的机制假设，不是已验证的因果。

边界在哪里：样本、标注与测量各有什么不能推广？

样本边界是 100 首配额采样的中文流行歌，覆盖 60 个配额艺人但不覆盖全部年代、风格、平台和艺人。作者明确结论应理解为该样本内的相对趋势。标注边界是主要由研究者 1 人完成，仅 10 首经科班审阅且无修改，全库系统性评分者一致性没有评估，桥段、间奏和弱分化主副歌边界仍有解释弹性。测量边界是效价和唤醒度来自音频教师模型，没有使用歌词语义，输出是模型估计而非人工真实值，教师模型在 PMEmo 上的高相关不能直接等同于在这 100 首上的误差大小。

解释边界同样重要。首次末次差异描述的是先与后的位置差异，不能解释为重复本身导致增强，因为后 1 次天然处在不同的整首上下文中。后期累积指与局部波动共存的后段上移趋势，不是全程单调递增。总体趋势不等于每首都成立，例如最高唤醒不在副歌、不在后段的歌曲仍然存在。未测量误判率、延迟和成本，因此不能承诺该分析带来检索或生成的效率改善，应用价值需在更大数据和具体任务评估中再检验。

要复现这套分析：先固定什么、再算什么、如何核对？

复现的第一步是固定段落划分。按前奏、主歌、预副歌、副歌、桥段、间奏、尾奏 7 类听标 100 首歌，记录每段起止时间，找 1 位懂音乐的人独立复核至少 10 首并记录是否修改。边界必须在情绪推断之前冻结，推断时不得使用边界和标签，这是避免信息泄漏的关键信息条件。 第二步是复现帧级轨迹。准备 MERT-v1-95M 第六隐层 768 维与 260 维 OpenSMILE ComParE_2016 动态特征，拼接压缩到 112 维后用训练好的全局-局部双向门控循环单元输出负 1 到 1 的效价和唤醒度。

注意本文没有公开代码、模型或数据的可用声明，资源状态为无绑定验证，因此不能写成代码已公开，只能按论文文字重做或用自己的动态情绪模型替代，并在报告中注明模型已更换。全曲用 30 秒窗、15 秒跳步、Hann 加权交叠相加得到 0.5 秒分辨率轨迹，再映射到段落边界取段内算术平均，核对总帧数、成功映射帧数与被排除的尾部帧数是否量级一致。 第三步是复现统计。所有推断比较以歌曲为单位，同歌配对加双侧 Wilcoxon 符号秩检验、5000 次自助 95% 区间和 Holm 校正，同种转移先歌内平均。

需补的验证至少包括歌手聚类自助、最高唤醒位置分布、进入尾奏与进入副歌的最大变化计数，以及用另一套情绪模型或少量人工连续标注做一致性检查。若更换模型后主歌低、预副歌渐强、副歌高到达的唤醒度排序消失，则应怀疑原结论对测量工具有依赖，不宜直接当成跨工具事实。

何时值得借用这套视角：给研究生的收束判断

当你的任务需要解释情绪在歌曲内部如何展开，而不是给整首打一个标签时，这套视角值得借用。例如做情绪检索、结构可控生成或生成音乐评估时，把连续轨迹按段落切开，可以把问题从这首歌表达什么情绪，转成情绪经过哪些功能位置、如何到达又如何退出。论文的对应发现是，副歌更稳定的特征不是更正，而是激活更高；预副歌到副歌的渐强在含该结构的歌曲里很一致；结尾的尾奏回落与高潮到达同样是后段组织的重要部分。

不值得照搬的情形也要记住。如果你的语料没有清晰主副歌结构，或者只有整首标签而无段落边界和连续轨迹，直接套用主歌低、副歌高的口诀会犯机械解读的错误。作者引用的提醒正在于此：标签是功能语境，不是固定声学模板。同一标签可以有渐强到达、直接跃升和高位延续多条路径，重复标签也不回到原点。

局部循环 × 全局累积： 局部循环负责描述段落层面的可识别套路，例如主歌到副歌、副歌经间奏回到主歌、副歌到尾奏，这些高频相邻转移反复出现并伴随回落和再到达；全局累积负责描述整首层面的非单调上移，即重复段落的后 1 次高于前 1 次、高唤醒段落更常落在后三分之一。两者搭配的理由是整首序列高度多样而局部转移高度集中，必须同时保留两层事实，组合意义就是“局部循环-全局累积” 框架：循环提供可识别性，累积提供方向性，但累积不是单调直线上升。

最终可复述为一句话：用冻结模型测得的轨迹看，选中歌曲没有统一整首模板，但局部转移集中，主歌低、预副歌渐强、副歌高到达主要体现在唤醒度上，重复段落后 1 次更高，高唤醒偏后但不固定在最后 1 次副歌，而进入尾奏的大幅回落构成释放式收尾。所有强判断都应加上定语：在该 100 首样本与模型估计轨迹条件下成立，换语料、换标注者或换情绪测量工具时需要重验。

⚖️ 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

← 返回 2026-09-16 语音/音乐/音频论文速递