📄 合唱转谱如何同时分出女高女低男高男低四个声部
英文题目：Toward Part-Aware Choral Transcription with singing voice assignment
标签：#音乐转录 | #端到端学习 | #音乐 | #数据增强
评分：7.8/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Hanyu Meng：机构信息未在 arXiv HTML 中可靠披露
- Zhanhong He：机构信息未在 arXiv HTML 中可靠披露
- Zixun Guo：机构信息未在 arXiv HTML 中可靠披露
- Yaolong Ju：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
合唱录音常包含女高音、女中音、男高音、男低音同时演唱，输入是混缩后的人声音频，期望输出是按声部标注的独立音符序列，难点在于起音柔和、连音过渡平滑、音色相近且音域大量重叠。论文提出的声部感知合唱转录（Part-aware Choral Transcription，PawCT）用共享卷积循环编码器提取帧级表示，再由各声部分支分别预测起音、止音和帧激活，并用声部存在估计屏蔽未激活声部。训练时把合并层面的整体监督与声部层面的监督相加，还用音域先验和有序连续扩展构造结构化训练目标，约束音高落在合理音区并保持旋律连续与同时起音的音高顺序。与已有方法的关键差异在于转录与声部分配在声学层面联合学习，对应的声部无关版本PagCT只输出一条合并轨道，而两阶段对照先用PagCT解码再用符号模型Post-VA分配声部。在YouChorale测试集上，50毫秒起音容差下PawCT-RP-OC的声部平均音符F1为0.225高于改编后的已有合唱模型的0.165，前者相对高出36.4%。该结论在仅以YouChorale训练且阈值不变直接测试CSD和Cantoría时仍成立，CSD上同指标下PawCT-RP-OC为0.174高于两阶段对照的0.118，但CSD绝对值低于YouChorale，原文认为录音条件和标注差异可能影响结果，域适应与解码校准尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
代码相关资源：https://hanyu-meng.github.io/Paw_Choral_AMT_Demo/ — 链接可访问（HTTP 200）
演示资源：https://hanyu-meng.github.io/Paw_Choral_AMT_Demo/ — 链接可访问（HTTP 200）
模型相关资源：https://huggingface.co/MuScriptor/muscriptor-medium — 暂时无法访问
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
合唱转谱的输入输出是什么
这篇论文处理的是无伴奏合唱录音的自动转谱。输入是一段混在一起的合唱音频，4 个声部女高、女低、男高、男低常常同时发声，音色都是人声，起音柔和，音高过渡连贯，音域互相重叠。输出不是一条混在一起的音符序列，而是最多 4 条带声部标签的音符级乐谱轨道，每条轨道用类似多轨 MIDI 的方式记录该声部的音符起点、终点和音高。
对刚入门的读者，要先分清帧级别和音符级别。帧级别是每一小段时间片上每个音高是否在响，反映音高跟踪是否连续；音符级别要求给出每个音符的起点时刻和音高，起点误差要在 50 毫秒或 100 毫秒容限内才算对。合唱排练、教学和重建总谱都需要后者，而且需要知道每个音符是谁唱的，这正是已有合并式合唱转谱没有解决的部分。
论文把任务定义为联合完成两件事：判断当前哪些声部在活动，转写每个活动声部的音符序列。如果某个声部整段不唱，对应轨道应为空。评价时既看整体音高内容是否转对，也看分到每个声部后是否还对，分声部平均值与整体值的比值被用来衡量分配过程保留了多少性能。
已有路线为什么没有分出声部
钢琴等单乐器转谱已经比较成熟，常用起点条件模型和高分辨率音符模型，配上大规模音频与 MIDI 成对数据。多乐器合奏转谱可以靠乐器音色差异决定音符归属，声部标签有较强的声学线索。歌声转谱也有进展，但多集中在单旋律或合并转写。
合唱方向 früheren 工作多估计多基频轨迹或音高线条，用声学加符号联合建模或音高轮廓模型处理声部分配，停留在音高层面，没有明确的音符起止边界。最近的音符级合唱转谱把所有声部混成一条轨道输出，回避了归属问题。论文的比较对象也按相同输入输出条件选择：合并转谱比较用钢琴起点模型、多乐器模型和合唱专用模型，分声部比较用改成分声部输出的多乐器模型和合唱模型，以及先合并转谱再做符号分配的 2 阶段流水线，而不是把不同任务的数字直接对比。
论文要解决的具体困难是什么
具体困难有两个，且互相纠缠。第一是音符切分难：合唱起音软、连音多，帧上音高能量可能是对的，但哪里算一个新音符的起点、哪里算延续，很容易多切或少切。第二是声部归属难：4 个声部都是人声，音色线索弱，音高区间大幅重叠，只看单个音符的音高往往无法决定归属，必须看前后连贯和同时刻各声部的高低次序。
如果先转谱再分配，分配阶段只能看到已解码的符号音符，丢失的音符补不回来，切碎的音符也难以合并。如果每个声部独立建模，又会丢失混合整体的约束。论文因此提出端到端框架，希望用同一段声学证据同时支撑检测和归属，并用整体监督兜底，用音域和连贯先验给训练目标提供结构。
整体流程如何从混合音频得到四条轨道
整体流程可以沿着一个样本理解。输入是一段 16 千赫兹重采样的合唱混音，先算对数梅尔频谱图，进入共享的卷积循环编码器得到逐帧表示，再分叉：一路做 4 个声部各自的起点、终点和帧预测，另一路做声部存在预测。分声部预测经过门控和解码，输出最多 4 条 MIDI 轨道。
下图把两种路线并排放出，上面是只输出合并音符的对照，下面是同时输出 4 条声部轨道的本文方法，是理解全文分工的关键。
读图时注意输入箭头如何分叉，上下两个方框的标注差异，以及右侧轨道数量和颜色的对应关系。
看图路径： 1. 先看左侧混合合唱音频输入，再看上方与下方两条分支的输出轨道数差异；2. 注意下方分支四个声部标签与对勾表示的声部存在判断；3. 对比右侧合并音符与分声部四条音符带的颜色与疏密关系
论文图 1。原论文 Figure 1:：“Part-agnostic versus part-aware choral transcription.”。
分声部转谱 × 合并转谱： 合并转谱只输出一条混在一起的音符序列，不管每个音符属于女高、女低、男高还是男低；分声部转谱要求同时判断哪些声部在唱，并为每个活动声部各输出一条音符序列。二者搭配是为了对照：前者是后者的输入退化形式，后者多了声部归属这一层结构，评价时也要从整体音高对错变为每个声部各自对错再平均。
这张图左侧是 4 个演唱者示意和混合波形，中间上方浅蓝色方框是合并转谱分支，只输出一条合并音符带；下方浅红色方框是分声部转谱分支，框内标有女高、女低、男高、男低 4 个标签并带有存在对勾，右侧分别对应女高、女低、男高、男低 4 条不同颜色的音符带。图注明确说明合并分支产生单条混合轨道，分声部框架同时识别活动声部并转写为各自的音符级 MIDI 轨道。2 阶段替代方案则是先走上方分支得到合并轨道，再用符号分配模型把每个已解码音符分到 4 个声部。
编码器和分声部预测头各自做什么
编码器负责把频谱变成逐帧的上下文表示。对数梅尔频谱先经过 4 个卷积块，每个块含两层 3 乘 3 卷积加批量归一化和线性整流激活，再沿频率做平均池化，然后经投影层和两层双向门控循环单元，每方向 256 个单元，输出批量乘时间乘 512 维的逐帧表示。这个表示是所有声部共享的声学基础。
对每个声部，独立的 Sigmoid 头把共享表示映射为 88 个 MIDI 音高的起点、终点和初步帧概率。初步帧与所有声部分离后的起点和终点拼接，再经一层双向门控循环单元细化，最后线性投影到 4 乘 88 维，得到细化后的分声部帧概率。另一路声部存在头对共享表示做时间平均，再经 256 维和 4 维的两层多层感知机输出 4 个声部的存在概率，用门控去乘分声部的起点、终点和帧输出，使不活动声部输出空轨道。
起始预测 × 帧预测： 起始预测判断每一帧每个音高是否出现音符起点，帧预测判断每一帧每个音高是否正处于发声延续中。起始预测负责切分柔和连贯的演唱边界，帧预测负责维持音符时长，二者搭配后解码器才可以用起点触发、帧或终止信号结束的方式恢复出有明确起止时间的音符事件。
这种设计的代价是参数和计算量随声部数放大，论文表 1 报告合并模型 PagCT 为 14.84M 参数，合唱专用基线 Yu et al. 为 4.23M，原文未报告分声部模型 PawCT 系的参数量。好处是各声部有专属输出空间，可以同时发声而不互斥，存在门控又能处理只有部分声部演唱的录音，数据集中约 92.48% 的录音含全部 4 个声部，其余 34 段只含子集，正好需要这种机制。
音域和连贯先验如何构造训练目标
音域先验和有序连贯先验不是可微损失，而是用来把真实音符标注整理成分声部训练目标的规则。音域先验对每个音符独立按音区算代价：超出声部上下界的部分按半音数惩罚，再加到区间中心距离的弱偏好，若有原始声部标签还加不一致惩罚。论文使用的区间为女高 60 到 88、女低 55 到 79、男高 48 到 72、男低 40 到 67，每个音符选代价最小的声部。它只给粗略音区指导，不管时间连贯。
有序连贯先验在音域代价上再加两项：与该声部最近已分配音符的音高跳变惩罚，以及新音符起点早于该声部上一音符终点即时间重叠的惩罚。同一时刻起点相近的音符按音高从高到低排序组成组，每组至多 4 个音符，在保持音高次序的一一对应分配中选总代价最小的方案，逐组更新声部状态；超过 4 个音符的组退回独立最小代价分配。
音域先验 × 有序连贯先验： 音域先验指按女高、女低、男高、男低各自的音高区间给每个音符算分配代价，越界越多代价越大；有序连贯先验在音域代价上再加同声部音高跳变惩罚、时间重叠惩罚，并在同一时刻的音符组内强制高到低对应高到低声部。二者是累进关系，前者只给粗略音区指导，后者再补旋律连贯和声部间高低次序，组合后才能处理音域大量重叠时的模糊分配。
教学例子：若同一时刻出现 3 个同时音符，音域先验可能把中间音符判给任一相邻声部，而有序连贯先验会要求 3 个音符从高到低依次对应更高的声部，并参考各声部上一音符的延续是否平滑，从而减少交叉和重叠分配。这部分权重在论文中固定为分配代价权重 2、0.35、4，含义是标签不一致、连贯跳变和重叠的相对强度。
损失函数如何同时管归属和整体
训练目标由三部分相加。记帧、起点、终点 3 类活动，预测和目标都是批量乘时间乘声部乘音高的张量，分声部转谱损失是对掩码选中位置算二值交叉熵再按权重求和，声部存在头用二值交叉熵判断活动声部。整体损失先把 4 个声部的预测按声部取最大合并，再和合并后的整体目标比较，同样对 3 类活动加权求和。完整目标是三者相加。
先看分声部损失的符号与求和结构，它说明监督来自按掩码选中的分声部目标，权重区分帧、起点和终点的重要性。
\[\vskip-1.42262pt\mathcal{L}_{\mathrm{voice}}=\sum_{a\in\mathcal{A}}\lambda_{a}^{v}\mathcal{B}(\hat{\mathbf{Y}}^{a},\mathbf{Y}^{a},\mathbf{M}^{a}).\vskip-5.69054pt\]再看整体损失的合并方式，它说明整体监督来自合并后的全局目标，合并操作是跨声部取最大，目的是保留全局音高内容。
\[\mathcal{L}_{\mathrm{union}}=\sum_{a\in\mathcal{A}}\lambda_{a}^{\cup}\mathcal{B}(\hat{\mathbf{Y}}^{a,\cup},\mathbf{Y}^{a,\cup},\mathbf{M}^{a}).\vskip-5.69054pt\]最后看总目标的相加形式，它说明分声部、整体和存在三部分联合优化，去掉整体项即对应消融中的无整体监督变体。
\[\mathcal{L}=\mathcal{L}_{\mathrm{voice}}+\mathcal{L}_{\mathrm{union}}+\lambda_{\mathrm{pres}}\mathcal{L}_{\mathrm{pres}}.\vskip-4.2679pt\]分声部监督 × 整体监督： 分声部监督把预测的四个声部钢琴卷帘分别和各自声部的目标比较，错配声部就算错；整体监督先把四个声部的预测按音高取最大合并，再和合并后的整体目标比较，只看音高内容是否漏检。分声部监督管归属正确，整体监督管音符不丢失，二者搭配是为了在声部分配不确定时仍保留有效的音符检出。
论文设置分声部帧、起点、终点权重为 1、2、1，整体对应权重为 1、1、1，存在权重为 0.2。起点权重更高，反映切分起点对音符指标的关键作用。训练用 AdamW，批量 8，初始学习率 0.0001，每 10,000 次迭代乘 0.9，最多 200,000 次迭代，30,000 次无验证提升早停，取验证损失最低的检查点。
数据和特征是如何准备的
主数据集 YouChorale 含 22 小时 25 分钟的无伴奏合唱录音，共 261 首歌的 452 段录音，带人工对齐的 MIDI 标注和声部标签。418 段含全部 4 个声部，其余 34 段只含子集。训练事后分配模型时，用的是训练集的真实合并 MIDI 音符及其声部标签，而不是解码后的含错序列，这一点决定了该基线在测试时要面对训练测试分布差异。
音频统一重采样到 16 千赫兹，计算 229 维对数梅尔频谱，傅里叶点数 2048，跳长 160 个采样。训练集做离线音高移调增强，每段混合与其 MIDI 和音符标注一起上下移调 1 到 3 个半音，连同原始数据把训练集扩大 7 倍，约 129 小时 38 分钟。评估仍在原始未移调的测试集上进行。跨数据集评估用 CSD 和 Cantoría，只用 YouChorale 训练的模型直接测试，以考察录音和语料漂移下的表现。
比较模型和解码阈值如何固定
合并转谱比较包括钢琴起点模型、多音轨模型、合唱专用模型和大模型，论文在相同 YouChorale 划分下重跑合唱专用模型的多种配置，取验证集最优在测试集报告。分声部比较包括改成分声部输出的多音轨模型和合唱模型、去掉整体损失的变体、基础分声部模型、加音域先验和再加有序连贯的模型，以及合并模型加事后分配的 2 阶段流水线。所有分声部模型都用增强后数据训练。
解码不用直接预测事件，而是从起点、终点和帧预测恢复音符：某音高起点峰值超过阈值即开始，当终点活动超阈值、帧活动掉到阈值下或出现新起点时结束。分声部输出逐声部独立解码，合并输出解码 1 次。阈值在 YouChorale 验证集上选定，帧、起点、终点分别为 0.03、0.01 和 0.005，测试时固定，跨数据集也不变。这意味着跨数据集结果包含了阈值未重调的影响。事后分配模型把每个已解码音符表示为 64 维音高嵌入、16 维音级嵌入和 11 个连续特征经两层多层感知机投影的拼接，再经双向长短期记忆网络和四分类器判声部，训练最多 80 轮，批量 32，早停耐心 10 轮。
合并转谱是否确实提升了
合并转谱的比较问题是：在相同 YouChorale 测试集、相同帧与音符精度、召回、F1 定义下，本文合并模型是否优于已有模型，音高移调增强带来多少增益。指标方向都是越高越好，音符指标分别在 50 毫秒和 100 毫秒起点容限下计算。
| Model | #Params | Frame | Frame | Frame | Onset (50 ms) | Onset (50 ms) | Onset (50 ms) | Onset (100 ms) | Onset (100 ms) | Onset (100 ms) |
|---|---|---|---|---|---|---|---|---|---|---|
| Model | #Params | Precision | Recall | F1 | Precision | Recall | F1 | Precision | Recall | F1 |
| Onsets and Frames [12] | 6.79M | 0.806 | 0.326 | 0.428 | 0.450 | 0.178 | 0.242 | 0.688 | 0.248 | 0.344 |
| MT3 [11] | 44.7M | 0.590 | 0.243 | 0.344 | 0.117 | 0.148 | 0.127 | 0.200 | 0.255 | 0.217 |
| YourMT3+ [2] | 45.8M | 0.529 | 0.423 | 0.457 | 0.145 | 0.119 | 0.127 | 0.252 | 0.207 | 0.221 |
| MuScriptor [28] | 307M | 0.720 | 0.745 | 0.730 | 0.086 | 0.083 | 0.084 | 0.236 | 0.228 | 0.231 |
| Yu et al. [31] | 4.23M | 0.678 | 0.619 | 0.647 | 0.251 | 0.232 | 0.237 | 0.366 | 0.341 | 0.347 |
| PagCT w/o Aug. | 14.84M | 0.690 | 0.833 | 0.751 | 0.346 | 0.329 | 0.333 | 0.539 | 0.506 | 0.516 |
| PagCT | 14.84M | 0.626 | 0.909 | 0.738 | 0.398 | 0.378 | 0.382 | 0.597 | 0.569 | 0.573 |
上表显示合并模型在两个容限下音符 F1 最高。未增强时 50 毫秒起点 F1 为 0.333，已超过合唱专用模型的 0.237；增强后达到 0.382，相对提升 61.2%。帧 F1 上大模型与本文模型接近，但其 50 毫秒音符 F1 仅 0.084，说明帧准不等于切分准。钢琴模型精度高召回低，反映对柔和起音偏保守。需要强调的是，该表报告的是合并性能好坏，不能直接推出声部分配好坏，分声部评价要看下一节按声部平均的结果及其限制。
分声部转谱各声部表现如何
分声部转谱的比较问题是：在同样使用增强训练、50 毫秒起点容限、按声部分别算帧 F1 和音符 F1 再做宏平均的条件下，端到端分声部模型是否超过改成分声部的基线和 2 阶段流水线。声部存在门控和独立解码保证了输出是 4 条轨道，评价按声部对齐后计算。
| Model | Soprano | Soprano | Alto | Alto | Tenor | Tenor | Bass | Bass | Average | Average | VA Rate (%) | VA Rate (%) |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Model | Frame | Note | Frame | Note | Frame | Note | Frame | Note | Frame | Note | Frame | Note |
| YourMT3+⋆ [2] | 0.371 | 0.083 | 0.297 | 0.068 | 0.294 | 0.073 | 0.371 | 0.093 | 0.333 | 0.079 | 72.87 | 62.20 |
| Yu et al.⋆ [31] | 0.528 | 0.183 | 0.451 | 0.151 | 0.436 | 0.138 | 0.560 | 0.186 | 0.494 | 0.165 | 76.35 | 69.62 |
| PagCT + Post-VA | 0.501 | 0.180 | 0.439 | 0.145 | 0.447 | 0.156 | 0.568 | 0.219 | 0.489 | 0.175 | 66.26 | 45.81 |
| PawCT w/o union-loss | 0.417 | 0.192 | 0.338 | 0.169 | 0.343 | 0.178 | 0.419 | 0.222 | 0.379 | 0.190 | 51.36 | 49.74 |
| PawCT | 0.530 | 0.228 | 0.430 | 0.191 | 0.429 | 0.197 | 0.552 | 0.252 | 0.485 | 0.217 | 65.72 | 56.81 |
| PawCT-RP | 0.542 | 0.210 | 0.453 | 0.185 | 0.458 | 0.194 | 0.585 | 0.247 | 0.510 | 0.209 | 69.11 | 54.71 |
| PawCT-RP-OC | 0.535 | 0.231 | 0.447 | 0.197 | 0.451 | 0.208 | 0.578 | 0.264 | 0.503 | 0.225 | 68.16 | 58.90 |
上表显示完整先验模型宏平均音符 F1 为 0.225，超过改编合唱基线的 0.165，相对提升 36.4%，也超过 2 阶段的 0.175。各声部上低声部相对较高，高声部受重叠影响更大。分配保留率要和绝对值一起看：改编多音轨模型保留率看似超过 60%，但其宏平均音符 F1 仅 0.079，绝对值很低。2 阶段音符保留率仅 45.81%，而完整模型为 58.90%，说明联合利用声学证据有助于在分配后保留更多性能，但整体绝对值仍处于较低水平，远未到可直接出版总谱的程度。
整体监督和先验各自带来什么
消融要回答 3 个增量是否各自有效：去掉整体监督会怎样，加上音域先验会怎样，再加有序连贯会怎样。条件是同一编码器、同一增强数据和同一阈值，只改监督目标。
无整体监督的宏平均音符 F1 为 0.190，加入整体监督后升到 0.217，且 4 个声部都有提升，支持整体监督在归属不确定时保住音符的解释。加音域先验后帧 F1 升到 0.510，但音符 F1 回落到 0.209，说明音区有助于跟踪持续发声，但重叠区间的音符归属仍会错，切分层面反而受损。再加有序连贯后音符 F1 升到 0.225，帧 F1 略回落到 0.503，说明连贯和次序约束主要改善音符事件层面的归属。
端到端分配 × 事后分配： 端到端分配指直接从声学特征同时预测四个声部的音符活动，声学证据同时服务于检测和归属；事后分配指先用合并模型解码出一条音符序列，再用符号模型只看音高、时值等符号特征给每个已解码音符分类声部。前者能利用频谱细节挽回漏检，后者无法恢复已经丢失或切碎的音符，对比二者可以判断联合建模是否带来增益。
与 2 阶段对比更能说明机制差异。2 阶段只能对已解码音符做符号分类，丢失或碎裂的事件无法恢复；端到端在声学层面同时优化检测和归属，因此在相同合并起点下保留率更高。未胜出的细节也要保留：音域先验单独使用时音符指标下降，说明只靠音高区间不足以解决重叠问题，这是该先验的明确局限。
换到新合唱数据集还能保持多少
跨数据集比较问题是：只在 YouChorale 上训练、阈值不变的模型，直接放到 CSD 和 Cantoría 上时，分声部音符 F1 如何变化，端到端是否仍优于 2 个阶段。指标仍是 50 毫秒起点容限的各声部音符 F1 及其平均，越高越好。
| Dataset | Model | Soprano | Alto | Tenor | Bass | Avg. |
|---|---|---|---|---|---|---|
| CSD | PagCT + Post-VA | 0.073 | 0.122 | 0.131 | 0.143 | 0.118 |
| CSD | PawCT | 0.140 | 0.175 | 0.183 | 0.145 | 0.161 |
| CSD | PawCT-RP-OC | 0.145 | 0.223 | 0.199 | 0.130 | 0.174 |
| Cantoría | PagCT + Post-VA | 0.179 | 0.115 | 0.085 | 0.084 | 0.115 |
| Cantoría | PawCT | 0.240 | 0.239 | 0.275 | 0.328 | 0.271 |
| Cantoría | PawCT-RP-OC | 0.329 | 0.273 | 0.300 | 0.348 | 0.313 |
上表显示在 CSD 上 2 阶段平均为 0.118，基础端到端为 0.161，完整先验为 0.174；在 Cantoría 上对应为 0.115、0.271 和 0.313。端到端在两个新数据集上都高于 2 个阶段，支持联合建模迁移性更好的判断。但限制同样清楚：相对 YouChorale 的 0.225，CSD 上完整模型降到 0.174，Cantoría 上反而升到 0.313。论文指出后者可能与 Cantoría 更统一的完整四声部结构有关，但录音条件和标注协议差异也可能起作用，不能归因为单一原因。此外阈值未针对新数据集重调，解码校准和领域自适应仍是未做的工作。
复现第一步要准备什么
复现应从数据和代码演示入手。论文给出演示页面链接，当前可访问，可查看示例和代码说明；模型权重链接本次未能确认可达，不能当作已可下载。先按论文设置准备 YouChorale 划分、16 千赫兹重采样、229 维对数梅尔频谱和 7 倍移调增强，再用相同批量、学习率和早停训练合并与分声部模型。
关键超参数要保留原值：分声部损失权重 1、2、1，整体权重 1、1、1，存在权重 0.2，分配代价权重 2、0.35、4，解码阈值帧 0.03、起点 0.01、终点 0.005。阈值必须先在验证集选定再固定测试，跨数据集时不要顺手重调，否则与论文条件不一致。事后分配模型要用训练集真实合并音符训练，测试时接合并模型的解码输出，以复现其误差累积。评价要同时报告帧 F1、50 毫秒和 100 毫秒音符 F1，分声部还要报告宏平均和保留率，并注明聚合方式是声部宏平均。
容易误解的是把保留率高当成整体好，或把帧 F1 高当成音符切分好。论文数据显示高保留率可以伴随很低的绝对 F1，帧 F1 接近也可能对应音符 F1 差距巨大，复现时必须同时看绝对值和切分指标。
什么时候值得尝试还缺哪些验证
当任务明确需要分声部乐谱，例如排练分轨、教学跟唱或重建总谱，且输入是混在一起的无伴奏合唱时，值得尝试这种联合转谱加分配的思路；若只需要合并音符内容，合并模型已足够，不必引入声部分配的额外复杂度。跨数据集结果表明，在与 YouChorale 差异较大的录音上仍可能获得相对优势，但绝对值会漂移，部署前要在目标数据上重估。
还缺的验证包括：阈值和解码策略在新数据集上的校准、更系统的统计显著性和多人标注一致性分析，以及推理开销、延迟和训练资源的量化，原文未报告这些成本，不能承诺实时性或效率提升。未来的工作应补上领域自适应、在更多声部缺失和非标准编制上的测试，以及与人工评价的对比，因为自动 F1 不等于乐谱可用性。总体上，证据支持联合建模优于事后分配的结论仅在论文的划分、容限和阈值条件下成立，推广时需重新验证。
📎 论文与评分元数据
排名：前25% | 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