英文题目：Statistical Models for Automatic Fingering-Annotated Piano Sheet Music Transcription
标签：#音乐转录 | #统计分析 | #音乐 | #音乐信息检索 | #端到端
评分：6.0/10 | 创新 1.1/2 | 技术严谨 1/1.5 | 实验充分 1.1/1.5 | 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 1/1.5
👥 作者与机构
- Daniel Penner：Department of Computing Science, University of Alberta, Edmonton, Alberta, Canada
- Abram Hindle：Department of Computing Science, University of Alberta, Edmonton, Alberta, Canada
📌 核心摘要
该工作处理钢琴音频到可演奏乐谱的映射，输入为复调钢琴录音，输出为分左右手双谱表与每音符指法编号，难点在于音频转录误差会传导至手部分配，而手部误分配又会破坏相邻音符指法序列的物理可行性。方法链由4步构成：先用卷积循环网络将音频转录为演奏MIDI，再用统计标注模型为每个音符分配手部与指法，接着用PM2S将演奏MIDI量化为乐谱MIDI并以自有手部预测覆盖其手部输出，最后经MuseScore转换为MusicXML并回贴指法。相对已有单手单声部指法隐马尔可夫模型HMM与双向卡尔曼滤波手部分离，关键差异是分层解耦与联合解码并存，既有拼接两者的Synthesis，也有在束搜索中同时跟踪双手末状态的规则模型与多流三元模型。在PIG数据集130训练与10测试的100次随机划分上，Synthesis手部分离准确率为90.8%，联合手部加指法准确率为56.6%，显著高于重现的合并输出HMM基线。该结论仅适用于古典钢琴独奏与合成音频主导的评测条件，对真实录音、其他风格与多人标注分歧下的泛化尚未验证。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，输出是什么，为什么要读这篇？
这篇论文的输入是钢琴音频，目标输出是带左右手分配与每个音符手指编号的可演奏乐谱。读者需要先固定这个任务边界：它不是只做音高与起止时间检测，也不是只做单手单旋律指法，而是把转录得到的大量同时与先后音符映射到两只手共 10 个手指上。论文要解决的矛盾是，已有转录模型能给出音符，但直接生成的单轨文件无法告诉演奏者哪只手弹哪一行、哪个手指接哪一个音，视奏或练习快速复杂段落时仍需大量试错。
作者因此提出 8 种统计标注方法，并把它们嵌入从音频到乐谱的完整管线。阅读时必须保留的关键信息是数据集名称与划分、8 个模型的分层关系、解码算法、评估指标定义与硬件条件，后文所有数字都依赖这些条件。当前证据未显示代码、模型或数据已公开，本次也未能确认任何外部链接可达，因此复述时只讲论文内报告的流程与数字，不做可用性承诺。
已有路线各自解决了哪一段？
论文把相关工作分成 4 段，每段只解决管线中的一段。第一段是钢琴音符转录，常用做法是 onset 与 frame 卷积网络，以及 Kong 等人的卷积循环加双向门控循环结构，分别做速度回归、起始回归、帧分类与结束回归，作者直接选用后者作为管线前端。第二段是手部分离，Hadjakos 等人的卡尔曼与双向卡尔曼用手位置跟踪做分手，Nakamura 等人的合并输出隐马尔可夫同时尝试手与指，但原文指出后者作为联合方法没有被充分评估。
第 3 段是吉他与小提琴指法，多用和弦难度与转换代价建加权有向图求最低代价路径，但它们只用单手四指，不能直接搬到钢琴。第 4 段是钢琴 MIDI 指法，Yonebayashi 用距离而非绝对音高建模单手隐马尔可夫，Kasimi 用格子图与和弦代价，Nakamura 在 PIG 数据集上比较 1 阶、高阶与和弦隐马尔可夫及深度网络，发现标准隐马尔可夫已超过前馈与长短时记忆网络，高阶更准但计算贵。
理解这种分段格局很重要：转录、分手、指法、制谱各有最优工具，本文的贡献是把它们拼成可运行的联合系统并补上缺失的联合基线。
联合标注的问题形式是什么？
给定按时间排序的音符序列，每个音符有音高、起始、持续与结束，模型要输出每个音符的手标签与手指编号。右手手指记为 1 至 5，左手记为负数或文中以左右手加指号表示，联合状态可以写成手与手指的二元组。难点在于三点。第一，多音同时出现时必须满足手型跨度与手指顺序约束，高音应由大编号手指演奏等。第二，先后音符之间存在转移舒适区，例如食指到无名指的舒适音程范围有限，时间间隔越短惩罚越大。
第三，分手错误会污染指法，因为分层方法一旦把音分错手，后续按手切分的指法模型看到的就是错误的上下文。评估因此设两个指标：手部分离准确率只看左右手是否正确，联合准确率要求手与手指同时正确，后者天然更低。论文用 Nakamura 等人提出的重组匹配率作为准确率口径，并在管线评估中改用召回，要求预测音高正确且起始误差在 250 毫秒内再看标注是否正确。
八个模型与完整管线如何分工？
8 个模型可按构造思路分成 4 组。两条基线是 Baseline-M 与 Baseline-S，前者用单个隐马尔可夫直接预测十指联合状态，后者先用二值隐马尔可夫分手再对左右手各跑一个指法隐马尔可夫。一个合成模型 Synthesis 把双向卡尔曼分手与单手 1 阶隐马尔可夫指法拼成与 Baseline-S 同形的分层结构。两个规则模型 Novel-V 与 Novel-B 在 Baseline-M 基础上加入可弹性格子代价，前者用维特比，后者用束搜索以记住双手各自上 1 次状态。
3 个 N 元模型把标注看成语言预测，3-gram-M 用单个三元模型，3-gram-T 用 4 个三元模型分别管完整序列、左右手指法与纯分手，3-gram-R 再在 3-gram-T 上加两条硬规则。管线则把 Kong 转录、标注模型、PM2S 节奏量化、MuseScore 转 MusicXML 与指法回贴串起来，其中 PM2S 的分手会被自家模型覆盖，速度会被归一化。
音符转录 × 节奏量化： 音符转录负责从波形得到带音高与起止时间的演奏级音符，节奏量化负责把浮动时值映射到拍与小节网格，二者搭配的理由是指法模型只需要音符顺序而乐谱需要可读节拍，组合意义是管线先用转录加标注得到语义，再用量化加排版得到可打印谱面。
下面导读管线总图，先建立从波形到乐谱的主路径，再进入各模型的计算细节。管线图从左到右依次是波形输入、转录、手与指法估计、乐谱生成与输出，黄色标注框明确区分距离编码、分手预测与指法预测，部分模型把后两步合并，蓝色制谱框明确区分量化、覆盖分手、转 MusicXML 与回贴指法。
看图路径： 1. 先从左到右跟踪红色输入经绿色转录到黄色标注再到蓝色制谱的主箭头；2. 再看黄色框内 2a 距离编码与 2b 分手和 2c 指法的上下顺序及合并说明；3. 最后看蓝色框内 3a 量化与 3b 覆盖分手和归一化速度的先后关系
论文图 1。原论文 Figure 1:：“Diagram of our complete transcription pipeline outlining the flow of data at each stage.”。
从像素看，绿色转录框注明把音频转为音高与起止，黄色框注明距离为横纵两轴，蓝色框注明使用 PM2S 与 MuseScore 4，红色输出框附有带指法数字的谱例缩略图。这说明管线不是端到端可微模型，而是多个现成模块的确定性拼接，标注模型是唯一可替换的统计部件，后续所有召回下降都应先归因于转录误差与量化对齐误差，而非标注模型本身变弱。
基线隐马尔可夫如何计算？
Baseline-M 的观测不是绝对音高，而是前后音符在键盘横轴与黑白键纵轴上的位移，记为横向距离与纵向距离。隐状态是手与手指组合，模型需要估计初始概率、转移概率与发射概率 3 组多项分布，全部用训练集计数加平滑得到，解码用维特比求最优路径。其联合概率可写成初始项乘以转移连乘再乘以发射连乘，符号含义是状态序列与观测序列同时出现的概率，优化目标是给定观测找最大概率的状态序列。
\[P(s,o)=P(s_{1})\prod_{n=2}^{N}P(s_{n}\mid s_{n-1})\prod_{n=1}^{N}P(o_{n}\mid s_{n})\]公式中首项是第一音用某手某指的先验，连乘第一部分是相邻状态转移概率，连乘第二部分是每个状态生成当前位移观测的概率。Baseline-S 把同一思想拆成 3 段：第一个隐马尔可夫隐状态只有左右手，观测多一个音区特征表示低中高音区，后两个隐马尔可夫各自只预测单手手指。论文报告音区特征对分层模型有提升但对联合模型几乎无用，因此只保留在分层路径。作者还试了 2 阶与 3 阶隐马尔可夫，发现 PIG 数据量不足以支撑高阶转移估计，未经平滑的高阶反而下降，于是正式评估只用 1 阶隐马尔可夫，把高阶建模的任务交给带平滑的 N 元模型。
手部分离 × 指法标注： 手部分离负责把每个音符分给左手或右手，指法标注负责在已定手的内部选 1 至 5 号手指，二者搭配的理由是手指可达域完全依赖手的位置与上一音状态，组合意义是把分手错误会连带污染前后指法的问题变成联合或分层序列决策。
隐马尔可夫模型 × 双向卡尔曼滤波： 隐马尔可夫模型负责在离散手指定位状态之间学习转移与发射概率，双向卡尔曼滤波负责用连续手位置跟踪与前后向平滑做分手，二者搭配的理由是分手更依赖位置连续性而指法更依赖离散转移统计，组合意义是合成模型让分手用滤波器、指法用隐马尔可夫各做所长。
维特比解码 × 束搜索： 维特比解码负责在 1 阶隐马尔可夫假设下求全局最优状态路径，束搜索负责在保留多个候选历史时做近似解码，二者搭配的理由是当规则需要同时记住左右手各自上 1 次状态时状态空间会爆炸，组合意义是束搜索让模型能跟踪双手历史并施加跨手代价。
对初学者而言，关键动作是拿一个三音上行例子走一遍：先算相邻音程位移作为观测，再查表得到不同指法转移的概率，最后用维特比保留每步到达每个手指的最佳前驱，这样就能复述基线的完整计算链。
规则模型与 N 元模型增加了什么约束？
Novel-V 在 Baseline-M 上加 5 条规则：重复音倾向同指以减少移动，同手先后手指不应交叉但拇指可放宽，右手应在左手上方，同时音高音用大编号手指，同时音用理想跨度矩阵与可行矩阵约束和弦手型。它的局限是维特比只记得上一个联合状态，若一只手连续弹多个音，另一只手的上次状态就会丢失，且若把另一只手音高加入状态则状态数要乘 88 倍。
Novel-B 因此改用束搜索，在解码时为每只手分别记住上次音高、手指与起止时间，并把理想跨度从单值改为舒适区间，例如文中举例食指到无名指舒适区间为 3 至 5 半音，还新增转移舒适区间矩阵与时间相关的惩罚。N 元模型则把手、手指与横向半音距离压成一个标记，例如左手 2 指原位接右手 3 指上行 2 半音再接右手 5 指上行 5 半音，训练用 KenLM 的插值修正 Kneser-Ney 平滑，只用横向距离以控制词表。
3-gram-T 进一步拆成 4 个三元模型，分别管完整序列、左右手独立指法与纯分手，解码时按已分历史取对应手的上下文并在对数域相加。
三元语言模型 × 规则代价： 三元语言模型负责从训练语料估计手加手指加音程标记序列的平滑概率，规则代价负责对交叉指与和弦排列等不可弹情形做硬惩罚，二者搭配的理由是纯统计会给出概率高但手型不可行的路径，组合意义是 3-gram-R 在对数概率上直接减去违规代价以兼顾数据拟合与可弹性。
教学上要区分两类新增作用：规则模型的新增是显式不可弹惩罚，N 元模型的新增是多步历史加平滑，前者可解释但需手工调权，后者数据驱动但词表设计决定上限。
没有神经网络训练时，参数从哪里来？
本研究没有训练深度转录网络与制谱网络，而是调用已有模型并用计数与平滑估计统计模型。隐马尔可夫 3 组概率来自训练切分的初始状态计数、状态转移计数与状态到观测计数加平滑，N 元概率来自 KenLM 在标记序列上的三元计数加插值平滑，规则模型的矩阵与权重来自作者在开发集上人工分析可弹性的保留与调参。
论文明确说明 PIG 最后 10 首留作开发期非正式测试，不进入后续随机切分，正式评估每次从其余曲目打乱抽 130 首训练与 10 首测试，共 100 次随机切分得到 1000 个曲目级评估。束宽固定为 N 元模型 50、Novel-B 20，理由是兼顾效率与精度。缺项需要指出：论文未报告规则权重的具体数值与搜索过程，未报告 KenLM 阶数以外的平滑超参，未报告梯度路径因为本就没有可微训练，复现时只能依赖复现包中的规则表与脚本。本次证据未确认复现包可达，因此方法复述以正文规则条目与解码方式为准。
数据、划分、指标与硬件如何固定？
训练与单模型评估用钢琴指法数据集 PIG，含 150 首古典曲共 309 套真实演奏的手指标注。正式实验用 100 次随机 130 比 10 切分，开发用过的最后 10 首排除在外，每次给模型输入 PIG 指法文件中的音高序列，对照手与指标签算准确率。管线评估因 PianoVAM 指法标签截至 2026 年 8 月未公开，改用 MuseScore 4 内置波形播放器合成 10 首评估曲音频，再走完整管线比较音高、起始、手与指。
指标分两套：单模型用重组匹配率报告均值与四分位，管线用召回并要求音高正确且起始误差在 250 毫秒内，文中说明转录一般 1 对一故精确率与召回几乎相同。统计显著性用配对自助差值检验，每对模型做 10000 次重采样，若 95% 置信区间不含零则判显著。硬件为 AMD Ryzen 7900X、RTX 4060 与 64 GB 内存，运行时间为几何均值。比较公平性上，所有方法跑相同 100 组切分，但管线召回天然包含转录误差，不能与单模型准确率直接比大小。
单模型标注谁最好，代价是什么？
比较问题是：在相同 PIG 切分与相同重组匹配率下，联合模型是否同时提升分手与指法。指标方向是准确率越高越好，运行时间越低越好。下表整理论文正句直接报告的 4 个可运行策略的均值，Synthesis 与 3-gram-R 接近，3-gram-T 次之，Novel-B 明显更低，说明分层加语言建模的收益大于纯规则。
| 评估阶段 | 模型 | 手部分离准确率 | 联合准确率 | 对照说明 |
|---|---|---|---|---|
| 仅标注 | Synthesis | 90.8% | 56.6% | 最优 |
| 仅标注 | 3-gram-R | 90.4% | 50.7% | 次优 |
| 仅标注 | 3-gram-T | 90.3% | 50.2% | 无规则 |
| 仅标注 | Novel-B | 88.7% | 41.4% | 规则束搜索 |
表后解释需要同时讲收益与代价。Synthesis 以 90.8% 分手与 56.6% 联合居首且运行几何均值最低，3-gram-R 以 90.4% 与 50.7% 紧随，差距在自助检验中对手部分离不显著。代价是联合准确率仍只有 50% 左右，手指级错误远多于分手错误，且 Novel-B 虽达 88.7% 与 41.4% 却需要更宽的束搜索与手工矩阵。未胜出项是复现的 Nakamura-Merged 与 Baseline-M，前者在单模型下分手很差而联合尚可，后者联合最低，说明直接预测十指联合状态而不分层会同时丢掉分手与指法。
下面看管线自动生成的完整谱例，先确认制谱链确实跑通，再讨论数字下降。谱例为巴赫 C 小调赋格第二首，用 3-gram-R 做分手与指法，页首标有速度与调号拍号，每音符上下均有指法数字，左右手各占一行谱表。
看图路径： 1. 先确认第一行左右手谱表与每音符上方或下方的数字指法标记；2. 再逐行检查高低声部指法数字是否随音阶上下行连续变化；3. 最后观察小节线与调号拍号是否在全页保持一致
论文图 2。原论文 Figure 2:：“Sample of sheet music for Bach’s Fugue No. 2 BWV 847 in C minor generated entirely by our pipeline with 3-gram-R for hand separation and fingering annotation.”。
从像素看，音高、调号拍号、速度与分手总体正确，指法在多处顺指但快速段仍有奇怪交叉或重复。论文原话承认指法多处最优但怪异交叉常见，这支持管线可行但不可直接当教学谱用的判断，也解释为何单模型准确率不能外推为谱面可弹率。
与 Audio-to-Score 的小样本对照说明什么？
比较问题是：在已公开输出的 MAPS 子集上，自家管线的转录与分手是否与 Audio-to-Score 可比。公平条件是控制转录差异：作者把自家 Synthesis 与 3-gram-R 直接跑在对方管线的转录音符上再比 MAPS 真值，指标方向仍是越高越好。下表为原文表 5 的直接选择，保留转录与分手两行。
| Model | Mean (%) |
|---|---|
| Audio-to-Score | 90.6 |
| Ours | 89.3 |
| Audio-to-Score | 90.3 |
| Synthesis | 87.7 |
| 3-gram-R | 88.8 |
表后解释要加限制。数字上对方转录 90.6% 对自家 89.3%，对方分手 90.3% 对 Synthesis 87.7% 与 3-gram-R 88.8%，对方略优但差距不大。反例与边界是样本仅限对方已公开输出的少量曲目，且对方管线不做指法标注也未完全开源，无法做全量公平复跑。因此该对照只支持转录与分手可比的弱结论，不支持自家管线整体更优，论文也只称结果可比并强调自家支持指法与全音频可运行。
端到端召回掉了多少，哪类模型更抗转录误差？
比较问题是：加入转录与量化误差后，各标注模型的召回如何排序。条件是同一合成音频、同一 250 毫秒容差、同一召回定义，指标方向越高越好。下表用论文正句报告的管线召回均值，保留最优、可运行次优与基线以避免只放优胜者。
| 评估阶段 | 模型 | 手部召回 | 联合召回 | 对照说明 |
|---|---|---|---|---|
| 端到端管线 | Synthesis | 65.7% | 37.0% | 最优 |
| 端到端管线 | 3-gram-R | 64.9% | 33.6% | 次优 |
| 端到端管线 | 3-gram-T | 64.8% | 33.2% | 无规则 |
| 端到端管线 | Baseline-M | 54.4% | 18.2% | 最差基线 |
| 端到端管线 | Baseline-S | 62.0% | 25.2% | 分层基线 |
| 端到端管线 | Novel-V | 62.3% | 21.7% | 规则维特比 |
表后解释要讲清下降幅度与结构差异。Synthesis 从单模型 90.8% 与 56.6% 掉到管线 65.7% 与 37.0%，3-gram-R 从 90.4% 与 50.7% 掉到 64.9% 与 33.6%，说明约三分之一损失来自转录与对齐而非标注本身。未胜出项中 Baseline-M 仅 54.4% 与 18.2%，Novel-V 虽分手 62.3% 但联合仅 21.7% 反而低于分层基线，支持分层与语言历史比单模型维特比加规则更抗误差。另一未评测边界是真实录音：管线评估用合成音频，而转录模型训练于真实演奏，真实混响与触键可能进一步拉低召回。
下面用肖邦 A 小调圆舞曲首行对比两个最优模型的可弹性质，数字之外的定性反证同样重要。合成模型输出中红色虚线圈为同指连奏不同音，实线红圈为不可弹交叉，黄圈为违背真值的分手，共 9 处问题。
看图路径： 1. 先区分高音谱表上方的红色虚线椭圆与实线椭圆各自圈住的指法数字；2. 再看低音谱表下方黄色椭圆圈住的多行数字与手标签的对应关系；3. 最后对比同一小节上下谱表指法是否出现左右手位置交错
论文图 3。原论文 Figure 3:：“Sample of sheet music annotated with the Synthesis model.”。
从像素看，高音谱表第二三小节的 5 指重复与 5 至 4 交叉被红圈标出，低音谱表多组和弦下方出现三行数字的黄色圈注，说明分层合成虽平均准确率高，仍会在局部产生手型不可行路径。
同一乐句的 3-gram-R 输出则无上述 3 类圈注，指法走向更顺。
看图路径： 1. 先沿高音谱表检查 1 至 5 指法数字在乐句内的走向是否顺指；2. 再看低音谱表和弦下方多行负数标记是否稳定在同一手型；3. 最后与前一张合成模型输出对比圈注位置是否消失
论文图 4。原论文 Figure 4:：“Sample of sheet music annotated with the 3-gram-R model.”。
从像素看，高音 1 至 2 至 3 至 1 等顺指进行连续出现，低音和弦稳定在负数标记的同一手型，支持语言模型加规则在样本外曲目上可能更少出现硬伤。但这只是单一样本的定性观察，不能推广为 3-gram-R 全面优于 Synthesis，原论文的均值仍是 Synthesis 领先，复现时应同时报告均值与坏例率。
失败基线与统计显著性如何读？
比较问题是：哪些差异真实显著，哪些只是抽样噪声。论文对 100 组切分做配对自助 10000 次重采样，显著标准为均值差 95% 区间不含零。单模型下 36 对中 35 对显著，管线分手 34 对显著、联合 33 对显著，说明多数排序可信。下表整理正句报告的负结果与最优对照，提醒不要只记优胜数字。
| 评估阶段 | 模型 | 手部指标 | 联合指标 | 对照说明 |
|---|---|---|---|---|
| 端到端管线 | Nakamura-Merged | 48% | 25.5% | 分手最差 |
| 仅标注 | Nakamura-Merged | 67.4% | 39.7% | 分手差联合中游 |
| 仅标注 | Synthesis | 90.8% | 56.6% | 最优对照 |
表后解释要指出反直觉点。Nakamura-Merged 在单模型分手仅 67.4% 但联合达 39.7% 超过多个基线，在管线分手仅 48% 但联合 25.5% 超过 Baseline-M 与 Novel-V，说明其联合建模保留了一定指法能力但分手模块明显不适应 PIG 分布，且运行时间远高于其他模型。另一不显著对是 Synthesis 与 3-gram-R 的分手差，以及 Baseline-S 与 3-gram-M 的联合差，复述时应写为可能待验证而非确定胜负。百分点与相对百分比不可混用：例如 90.8% 与 90.4% 差 0.4 个百分点，不是 0.4% 的相对提升。
哪些结论不能从本文推出？
论文第 5 节明确三项威胁。第一，真值指法不是唯一可行解，与真值不一致不等于不可弹，用准确率会低估可弹率。第二，训练全是古典钢琴，纯统计模型对其他风格与织体的泛化待验证。第三，端到端用合成音频评估，而转录模型面向真实录音，音质失配会污染传给标注模型的音符，且不能反映真实管线条件。此外还有四项未测量项：误判率分解、延迟与帧率、量化与对齐误差占比、真实演奏者试弹通过率，论文未报告这些量，因此不能承诺省时或可直接教学。
相关性不等于因果：N 元加规则更好只是在 PIG 分布与当前切分下成立，不能推出规则越多必然越好，也不能把冻结的转录与制谱模块当成确定性无误差环节。读图时同样要克制：谱例像素能看到指法数字与圈注位置，但不能精确读出每步概率，末小节好不代表全曲好。
要复现应先固定什么，再跑什么？
先固定信息条件：输入是 PIG 指法文件中的音高序列还是合成音频，输出是手标签加手指编号还是 MusicXML，指法评估用重组匹配率还是 250 毫秒容差召回，划分是否为排除最后 10 首后的 130 比 10 随机切分。先跑 Baseline-S 1 阶与 Synthesis，因为前者是分层基线，后者是论文最强且运行最快，二者共用分层结构便于定位分手与指法的各自误差。再跑 3-gram-M 与 3-gram-T 以验证多历史与 4 模型相加的增量，最后加规则得到 3-gram-R。
关键超参是束宽 50 与 20、KenLM 平滑、3 组隐马尔可夫计数平滑、Novel 矩阵区间，论文未给出规则权重明细，复现必须回到复现包核对。当前证据未确认复现包可达，若无法获取，应明确报告缺失并只复现基线与语言模型部分。硬件预算可参考原文 CPU 与 GPU 配置，但统计模型主要吃 CPU，GPU 只与转录前端有关。
何时值得尝试，首选哪条路？
当任务是从录音快速得到可视奏草稿且能接受人工改指法时，这套统计管线值得尝试；当目标是出版级指法或非古典织体时，本文结果不支持直接采用。首选 Synthesis 做默认分手加指法，因其单模型与管线均最优且最快；若更在意避免不可弹交叉与同指连奏硬伤，可并行试 3-gram-R 并做人工坏例抽检，论文的肖邦样本显示后者硬伤更少但均值略低。
教学复述的最小闭环是：用三音例子讲清位移观测、转移发射与维特比，再讲分层为何缓解分手污染，再讲束搜索如何记住双手历史，最后用合成与管线两套数字说明转录误差的占比。未来验证应补三项：真实录音端到端召回、多标注者可弹率人评、更大风格覆盖的训练集，之后再谈更复杂的联合神经模型。
📎 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