📄 把 AI 生成音乐抄袭检测当作版本识别来做

英文题目：Towards AI-Generated Music Plagiarism Detection as a Version Identification Problem

标签：#翻唱与曲目识别 | #基准设计 | #音乐 | #基准测试

评分：7.3/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 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

  • Fotis Koutsikos：机构信息未在 arXiv HTML 中可靠披露
  • Ioannis Prokopiou：机构信息未在 arXiv HTML 中可靠披露
  • Spyridon Kantarelis：机构信息未在 arXiv HTML 中可靠披露
  • Vassilis Lyberatos：机构信息未在 arXiv HTML 中可靠披露
  • Pantelis Vikatos：机构信息未在 arXiv HTML 中可靠披露
  • Athanasios Aidinis：机构信息未在 arXiv HTML 中可靠披露
  • Themos Stafylakis：机构信息未在 arXiv HTML 中可靠披露
  • Athanasios Voulodimos：机构信息未在 arXiv HTML 中可靠披露
  • Giorgos Stamou：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

人工智能文本生成音乐常在保留旋律与和声的同时改变音色与编曲，抄袭判断需要在大幅声学变化下比较原始片段与候选片段是否构成衍生关系，难点在于真实判例稀少且生成失真会淹没表层相似度。该工作输入原始片段与候选片段的音频对，先用冻结的声学分支与语义分支分别提取嵌入，再比较标量距离阈值、声乐感知的分数融合与基于坐标位移的监督分类三种判定方式，位移向量进入梯度提升树输出是否抄袭的二值判断。与直接沿用版本识别距离阈值相比，关键差异在于保留嵌入每一维的绝对差结构而非压缩为单一距离，这让分散在隐空间中的抄袭信号得以被重新利用。在自建的COPYCAT基准上，混合模型相对声学分支阈值基线将总体F0.5指标从0.612提升到0.803，其中人工智能加信号遮蔽等最难类别的召回改善最大。该结论适用于包含人声重嵌与音高变速遮蔽的受控评测，超出所用三种生成器与扰动范围的泛化尚未验证。原文未披露训练、推理或部署成本，最终混合模型的训练时长也未明确报告。

🔗 开源与复现资源

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

文本生成音乐带来什么样的抄袭判断难题

这篇论文处理的是文本生成音乐流行之后的一个具体判断：给定一段原曲音频和一段候选音频，判断候选是否可以看作原曲的版本或衍生。输入是两段已经切好的音频片段，输出是一个二值技术判断，而不是法律上的实质性相似结论。论文反复强调，抄袭在这里不是数学上的非黑即白，而是围绕旋律轮廓、和声结构和整体听感协商出的模糊阈值，法律上看旋律、和声、节奏和总体印象，但没有统一的实质性相似标准。

计算上的难点在于，生成式重合成会在保留音乐内容的同时引入不透明的声学畸变，表面的相似度量容易失效，而真正可验证的抄袭案例又很少，只有 70 起带时间戳指控的 SMP 集合可用。初学者容易把这个任务和另外 2 个任务混淆：合成音频检测只回答是不是 AI 生成的，来源归属要回答训练来源是哪里，而本篇只回答生成内容和已有录音之间是否高度相似，即使经过了大幅声学变换。

理解这个边界很重要，后面所有阈值、融合和分类器都是为这个成对衍生判断服务的。

已有路线在比较什么，为什么还缺 AI 衍生这一块

在人类对人类的音乐关系上，已有不少计算路线。符号方法处理乐谱层面的相似，音频路线包括音乐片段转录系统、比较成像和旋律相似度量等，它们大多直接比较可听表面或转录出的旋律。音乐版本识别是距离本篇最近的一条路线，它要识别同一作品在演奏、配器、速度和制作变化下的对应录音，天然要求对表演差异鲁棒。论文把抄袭检测重新表述为版本识别，就是想借用这种鲁棒表征，看它能否从人类翻唱迁移到人类到 AI 的衍生。

本篇没有声称推翻这些路线，而是指出一个未被充分检验的缺口：生成式重合成与人类翻唱不同，它不是换人演奏，而是模型在音频条件约束下重新合成，失真方式不透明。以往的直接相似度方法在这种条件下缺少证据，而版本识别主干是否还保留可用的抄袭信号，正是 COPYCAT 要测量的对象。教学上可以这样记：符号与音频相似度回答像不像，版本识别回答是不是同一首的不同版本，本篇把后者借来回答 AI 候选是不是原曲的衍生。

输入是什么，输出是什么，必须保留什么信息

论文把问题写成成对相似度问题。设编码器把音频片段映射为嵌入向量，原曲和候选各得到一个向量，再用嵌入空间上的距离函数度量差异，最后与阈值比较得到预测。阈值以下的判为抄袭，以上的判为非抄袭。更一般的写法是把更丰富的成对表示交给有监督分类器，输出仍然是这个二值判断。这个形式化把抄袭检测的联合校准对象说得很清楚：距离函数和阈值要一起在训练划分上按 F0.5 最大化来选，F0.5 比召回更重精确率，因为误判抄袭的操作代价很高。

必须保留的信息是被指控相似的那个乐段，而不是整首歌，因为整轨比较会把无关内容混进来稀释证据。所以后面数据集构造的第一步就是按 SMP 的时间戳把 20 秒左右的锚点切出来，所有变换都围绕锚点展开。

音乐版本识别 × 抄袭检测： 音乐版本识别指判断两段录音是否为同一音乐内容的不同版本，关注旋律、和声与结构在演奏和制作变化下的不变性；抄袭检测在本篇被收紧为判断候选音频是否为原曲的衍生版本，不做法律上的实质性相似认定，两者搭配后，前者的表征可以直接迁移到人类到 AI 的衍生判断上。

整体流程如何从音频对走到预测

从一个样本的角度看，流程分 3 段。第一段是数据与对构造：先得到参考锚点，再施加人类翻唱、数字信号处理混淆或 AI 变换，组成原曲与候选的音频对。第二段是双分支提取：冻结的声学编码器和语义编码器分别输出嵌入并算出分支距离。第 3 段是分类：既可以用各自阈值做基线，也可以用人声感知的分数融合，还可以把坐标级位移向量交给 XGBoost 做有监督判断，最后输出预测，并进入二值检测、鲁棒性和隐空间 3 组评估。

下图把这 3 段画在同一张总览里，适合对照着读，后文每个公式都能在这张图里找到位置。读图时先看主路径的箭头方向，再看两个分支在哪里汇合，不要把评估模块误当成第四个预测分支。

下面这条阈值规则是全文最基础的判定形式，后面的融合与分类器都是对它的放宽或替代。

\[\hat{y}=\begin{cases}1\;\;(\text{plagiarism}),&\text{if }d(z_{\text{ori}},z_{\text{cand}})\leq\tau,\\[2.0pt] 0\;\;(\text{otherwise}),&\text{if }d(z_{\text{ori}},z_{\text{cand}})>\tau.\end{cases}\]

读完这张总览再看论文的图 1，顶部虚线框对应锚点与变换，中部对应两个冻结编码器，底部对应融合与分类器，最下方的 3 个评估模块只用于分析，不参与预测。

看图路径： 1. 先沿顶部数据与对构造到双分支提取再到分类预测的主箭头看一对样本的走向；2. 再看声学编码器与语义编码器在何处分别输出距离并汇入融合与分类器；3. 最后看底部二值检测、鲁棒性与隐空间三个评估模块与预测的关系

原论文 Figure 1：Overview of the proposed framework.

论文图 1。原论文 Figure 1:：“Overview of the proposed framework.”。

图中可以看到，声学分支对所有对都有效，语义分支受人声有效性门控，融合权重和分类器参数都在训练划分上按 F0.5 选出，编码器本身不更新。这种冻结主干加轻量决策层的设计，使得论文实际检验的是表征迁移能力，而不是端到端新模型的拟合能力。

两个冻结分支各自算什么，怎么选距离和阈值

声学分支采用 CLEWS 的 Discogs-VI 检查点，输出 1024 维的基于常数 Q 变换的嵌入，负责捕捉音色与结构相似性；语义分支采用冻结的 Whisper-Turbo 主干的 WEALY，输出 512 维嵌入，只在两段都通过人声有效性条件时才贡献，负责捕捉有词时的歌词相似性。论文用分层 5 折交叉验证，在欧氏、曼哈曼、余弦和皮尔逊 4 种候选距离里穷举，为每个分支保留使 F0.5 最高的距离与阈值组合。结果是 CLEWS 最优为曼哈曼距离，WEALY 最优为余弦距离，但语义分支整体大幅落后于声学分支。

人声有效性由锚点经 Demucs 分离出人声后的能量门控决定，由于衍生版本会重新混入同一人声，存在性是继承的，避免了混合信号里乐器渗漏的干扰。初学者要注意，冻结意味着梯度不经过这两个编码器，监督只用于后面的阈值、融合权重和 XGBoost，论文没有报告对编码器的微调。

声学分支 × 语义分支： 声学分支指用 CLEWS 编码器比较音色与结构相似性，语义分支指用 WEALY 比较含人声时的歌词相似性，前者对所有音频对都计算，后者只在双端人声有效时参与，两者分工后可以分别暴露乐器编配变化和歌词保留带来的不同失败模式。

人声感知的分数融合是对两个分支互补性的第一次尝试，它在归一化分数上按人声是否双端有效分情况加权，权重同样按 F0.5 网格搜索选出。

\[d_{\text{fusion}}=\begin{cases}\alpha\,\hat{d}_{ac}+(1-\alpha)\,\hat{d}_{sem}&\text{if }V_{\text{pair}}=1,\\ \hat{d}_{ac}&\text{if }V_{\text{pair}}=0,\end{cases}\]

公式中融合距离在双端人声有效时是 2 分支的加权和，否则退化为声学距离。实际搜索选出权重为 1.0，等于丢掉了语义信号，原因是 F0.5 对精确率惩罚很重，低精确率的语义分支只要给一点正权重，整体精确率掉得比召回涨得更快。这个负结果很重要，它说明标量融合救不了语义分支，也引出了保留坐标细节的必要性。

为什么标量不够，坐标级位移向量保留了什么

标量距离把 1 对嵌入压成一个数，阈值只看偏离有多大；坐标级位移向量保留每 1 维的绝对差，既看偏离多远，也看向哪些方向偏离。论文用绝对值而不用带符号差，因为抄袭是方向无关的，候选比原曲大还是小不影响衍生判断。直觉上可以举一个教学例子：2 对音频的标量距离相同，但 1 对的差异集中在少数维度，另 1 对均匀分散在所有维度，标量阈值会给出相同结论，而位移向量能让分类器学到不同的坐标模式，例子本身不承诺任何数值效果。

论文的隐空间与距离趋势分析支持这种直觉：生成式重合成已经把嵌入推到接近最大声学距离，阈值上方的曲线变得平坦，幅度里没有剩余敏感度，可判别信息只能藏在位移的坐标结构里。

标量距离 × 坐标级位移向量： 标量距离指把一对嵌入压缩成一个距离值再比阈值，坐标级位移向量指保留每一维绝对差组成的向量，前者只记住偏离有多远，后者还记住向哪些方向偏离，两者对比说明生成式重合成已把距离推到饱和时，方向结构里仍有可恢复的抄袭信号。

具体向量定义如下，维度与所用分支的嵌入维度 1 致，CLEWS 下为 1024 维。

\[\Delta z\;=\;\bigl(\,|z^{\text{cand}}_{1}-z^{\text{ori}}_{1}|,\;\ldots,\;|z^{\text{cand}}_{\ell}-z^{\text{ori}}_{\ell}|\,\bigr)\;\in\;\mathbb{R}^{\ell},\]

论文比较了 3 种由简到繁的用法：只用工程汇总特征，只用完整位移向量，以及两者拼接后再选最易变的坐标构成混合表示。工程特征包括分支距离、位移的均值、标准差、分位数和二范数，以及最易变与最稳定维度上的稳定性统计；混合表示则在其中加入波动最大的 CLEWS 坐标，通过改变保留维度数来找性能饱和而计算 cost 最小的位置。

没有训练编码器时，实际训练和搜索了哪些参数

本篇没有训练 CLEWS 和 WEALY 编码器，它们全程冻结，只做推理提取嵌入。实际需要拟合或搜索的是 3 类轻量决策：每个分支的距离与阈值组合、融合权重，以及 XGBoost 分类器。阈值与融合权重用分层 5 折按 F0.5 选出，XGBoost 用按原始曲目文件名分组的分层 5 折，避免同一来源的锚点同时出现在训练与验证里造成泄露，结果在 10 个随机种子上平均并报告 95% 置信区间。波动最大的坐标在每一折训练集内独立排序，防止用验证信息选维度。

需要澄清的一个常见误解是，最初有 29 项候选特征，即 24 项工程特征加 5 个人声有效性标志，但论文发现只用 5 个标志就能达到 F0.5 为 0.836，接近加入工程集后的 0.853，说明标志与变换类型相关，分类器可以不看音乐内容就猜类别，因此这 5 个标志被剔除，最终保留的 24 项工程特征不再包含它们。纯坐标扫描的维度就是扫描的 K 本身，K 为 256 时是 256 维，K 为 512 时是 512 维，不额外加 24 项，只有最终的混合模型才是 24 加 512 共 536 维。

人声有效性标志 × 工程特征： 人声有效性标志指由人声检测得到的声音存在性指示，工程特征指由分支距离和位移统计量构造的 24 维汇总特征，前者与变换类型相关因而形成类别捷径，后者描述数值分布但丢失坐标细节，区分两者才能解释为何最终保留的 24 维不含这 5 个标志。

COPYCAT 如何从真实指控扩展到可控的隐藏等级

COPYCAT 从 SMP 出发，这是论文所知唯一公开的带乐段级时间戳的 70 起真实抄袭指控集合，覆盖较广的风格。按时间戳在 22,050 Hz 单声道下截取被指控相似区域附近的 20 秒片段，得到 1,219 个锚点，每个锚点再用 Hybrid Transformer Demucs v4 分解为人声、贝斯、鼓和其他四轨，以便可控地回混人声和按声部条件生成。

AI 衍生用 3 种暴露音频条件接口的架构实现，商业系统如 Suno 和 Udio 目前缺乏这类接口：旋律变体的 MusicGen 按锚点的色度图做全曲重合成，AudioLDM 2 把锚点当声学参考做音频引导扩散，MGE-LDM 则保留贝斯、鼓或旋律和声乐器中的一个声部并重绘周围伴奏，每个锚点产生 3 个按声部分类的变体，三者合计 5,472 个 AI 衍生对。生成时文本提示按样本随机且故意与原风格无关，并对回混的人声做音高和速度增强，使保留的相似只能来自音频条件。

在这些 AI 衍生和 SMP 原曲之上，10 种确定性数字信号处理变换组合正负 2 和正负 4 半音的变调与 0.90 到 1.10 倍的变速，扩展出 73,590 个音频变体。负例在 CLEWS 嵌入空间按 3 种难度挖掘：随机、类内最近和全局最近，每种约 79,000 对，最终基准共 350,654 对比较，其中 113,690 正例，236,964 负例，正例按人类抄袭、人类抄袭加扰动、原曲加扰动、AI 生成、AI 加扰动 5 类组织。

生成式重合成 × 数字信号处理混淆： 生成式重合成指用 MusicGen、AudioLDM 2 和 MGE-LDM 按音频条件重新生成伴奏，数字信号处理混淆指在原曲或生成结果上再做变调和变速，前者引入不透明的声学畸变但保留音乐内容，后者是确定性参数扰动，两者叠加构成由弱到强的隐藏等级。

由于 SMP 音频是商业授权，论文不发布原始音频，只在 GitHub 仓库发布清单、提示词、脚本和源代码，复现时需要按清单与脚本重新生成或申请原音频，这是理解可复现边界的关键。

主结果在什么条件下成立，提升来自哪里

比较的问题是：在同一全局拟合、按类别评估的条件下，阈值基线与混合分类器谁在 F0.5 上更高，指标越大越好，且 F0.5 本身更重精确率。公平条件是阈值与融合权重都按 F0.5 选出，XGBoost 按曲目分组交叉验证并在多种子上平均。下表是论文原表 1 的完整呈现，列数较多，阅读时先看总体行，再按隐藏等级从上往下看人类抄袭到 AI 加扰动的变化，重点比较 WEALY、CLEWS 与混合模型 3 组精确率、召回率和 F0.5。表后解释会指出提升的来源与唯一的例外类别。

COPYCATCOPYCATWEALYWEALYWEALYCLEWSCLEWSCLEWSXGBoost Hybrid Top-512XGBoost Hybrid Top-512XGBoost Hybrid Top-512
CategoryPairs%Prec.Rec.F0.5Prec.Rec.F0.5Prec.Rec.F0.5
Human Plagiarism3,7573.374.2%25.9%54.0%98.0%30.6%68.0%97.3% ± 0.1%86.5% ± 0.5%94.9% ± 0.2%
Human Plagiarism + DSP37,57033.072.3%24.8%52.3%97.7%27.4%64.5%97.2% ± 0.1%83.1% ± 0.4%94.0% ± 0.2%
Original + DSP12,19010.751.8%80.1%55.7%96.9%95.2%96.5%87.2% ± 0.4%99.3% ± 0.0%89.4% ± 0.3%
AI Generation5,4724.842.4%51.5%43.9%84.3%15.0%43.8%75.1% ± 0.4%56.5% ± 0.3%70.5% ± 0.3%
AI + DSP54,70148.136.4%34.3%36.0%79.0%10.3%33.9%72.0% ± 0.5%50.0% ± 0.3%66.2% ± 0.4%
Overall113,690100.045.6%36.6%43.5%92.8%26.0%61.2%84.2% ± 0.4%67.7% ± 0.3%80.3% ± 0.3%

混合模型把总体 F0.5 从 0.612 提高到 0.803，精确率从 97.3% 的人类抄袭缓慢降到 72.0% 的 AI 加扰动，但召回率大幅上升：在人类抄袭上从 30.6% 到 86.5%，在最难的 AI 加扰动上从 10.3% 到 50.0%，接近 5 倍。唯一的例外是原曲加扰动，CLEWS 阈值的精确率 96.9% 高于混合模型的 87.2%，因为未改动的原曲只做简单声学扰动时，保守阈值天然合适。WEALY 阈值总体只有 43.5%，显著落后。结论成立的条件很具体：全局拟合后按类别评估、F0.5 重精确率、负例包含挖掘出的难例，以及人声有效性捷径已被剔除，换掉任一条件都可能改变排序。

精确率 × F0.5： 精确率指判为抄袭中真正抄袭的比例，F0.5 指更重精确率而轻召回率的加权调和平均，本篇把误判抄袭的操作代价看得更高，因此用 F0.5 校准距离、阈值和融合权重，组合后阈值选择会偏向保守。

下图解释为什么幅度阈值会失效。读图说明：横轴是变调半音数，纵轴是 CLEWS 曼哈曼距离，红色虚线是校准阈值，数值为 986.4，曲线越高表示离锚点越远，低于虚线才会被判为抄袭。

看图路径： 1. 先看横轴变调半音数与纵轴曼哈曼距离的含义，再看红色虚线阈值的位置；2. 比较蓝色原曲加扰动曲线与其他四条曲线的高度与平坦程度；3. 观察零变调处各曲线的取值，判断生成式来源是否已远离阈值

原论文 Figure 3：CLEWS pairwise distances. Dashed line: calibrated threshold \\tau=986.4.

论文图 3。原论文 Figure 3:：“CLEWS pairwise distances. Dashed line: calibrated threshold \tau=986.4.”。

从像素可见，蓝色原曲加扰动曲线在零变调处回到零附近，远低于阈值，而黄色翻唱与紫色 MGE-LDM 曲线贴着阈值附近，红色 MusicGen 与深绿 AudioLDM 2 曲线始终高高在上且几乎水平。这说明生成式重合成在加扰动之前已把距离推到饱和，再改变调性几乎不再变化，阈值没有可利用的剩余敏感度。WEALY 在语义空间呈现互补模式，对音高更敏感而对速度相对不敏感，证实 2 分支对不同扰动的失败模式不同，这也是混合模型能从两者都获益的原因。

隐空间的几何结构如何印证坐标里仍有信号

除了二值指标，论文用锚点居中的降维投影看嵌入如何随隐藏等级漂移。做法是把每个锚点移到原点，使衍生点的位移直接反映隐空间漂移，再按变换类别着色。投影显示出按来源分层的几何结构：AudioLDM 2 和 MusicGen 的衍生占据最远的邻域，MGE-LDM 按保留声部分类聚在中间半径，人类翻唱离锚点最近；同一邻域内，加扰动的变体在基础衍生周围形成外壳，径向随隐藏强度扩展。

这种分层在全库一致，并在 WEALY 空间得到镜像，说明即使是最难的 AI 衍生，抄袭相关信息仍以几何有序的方式存在，只是标量距离把它们放到了阈值之外。初学者不要把降维图当成分类证据，它只解释为什么位移分类器有机会成功：幅度饱和不等于信息丢失，方向结构仍可学习。这个几何观察与上一节距离趋势的 4 层分化相互印证，一个从方向分布讲，一个从幅度饱和讲，共同指向混合模型恢复的是坐标结构而非简单的距离大小。

信号藏在汇总统计还是原始坐标里，代价如何变化

要回答的比较问题是：抄袭证据集中在少数汇总统计里，还是分散在隐空间坐标上；在增加维度时，性能何时饱和，每折训练时间付出多少。指标仍是 F0.5 越大越好，时间为每折秒数越小越好。下表按原文连续叙述整理，只收录有逐字证据的设置，不补无来源的列，维度写法严格区分纯坐标扫描与最终混合：纯 K 扫描就是 K 维，最终混合才是 24 加 512 共 536 维。表前已说明公平条件为分组交叉验证与折内排序选维，表后解释饱和点的选择理由与限制。

特征设置输入维度总体 F0.5每折训练时间关键说明
仅 5 个人声有效性标志50.836未报告与变换类型相关，视为捷径并剔除
剩余 24 项工程特征240.617未报告仅略高于 CLEWS 阈值 0.612

表中可见，剔除捷径后的 24 项工程特征只把 F0.5 从 0.612 带到 0.617，而完整 1024 维位移直接到 0.811，说明判别信号主要在原始坐标而非标量汇总里。收敛扫描显示 K 为 512 时为 0.792、54 秒每折，K 为 1024 时为 0.811、119 秒每折，两者相差 0.02 但时间翻倍以上，而 K 为 256 时只有 0.749，因此选 512 为饱和点。最终混合用 24 项工程特征加 512 个最易变维度达到 0.803，特征重要性还显示，在仅工程特征时 WEALY 距离是最重要的家族，单个原始维度都不如这些汇总，但大量原始维度的累积带来了相对工程基线约 0.19 的增益。限制是最终混合的总训练时长原文未明确报告，不能把 54 秒推广为最终模型的耗时，也不能把搜索选出的最优值当成部署时免费可得的提升。

哪些情况仍不可靠，不能推广到哪里

最难的 AI 加扰动即使在混合模型下召回也只有 50.0% 左右，F0.5 为 66.2%，远低于人类抄袭的 94.9%，说明生成式重合成叠加对抗性扰动仍把召回压到极限，AI 中介衍生是比人类对人类更难的区间。原曲加扰动上混合模型的精确率反而低于保守阈值，意味着在简单声学扰动下更复杂的分类器可能过度敏感。语义分支在标量融合下无效，只在混合分类器里通过特征重要性显现作用，不能据此声称歌词分支已可独立部署。

评估依赖挖掘出的难负例和特定的变调变速范围，更广的扰动、更多生成架构和保留歌词的数据集都尚未评测，论文把它们列为未来工作。作者也明确把框架定位为分流机制，用于把候选提交给专家复核，而不是替代法律判断。把某一类别的提升推广为所有 AI 音乐都可检测，或把训练划分上的最优阈值当成开箱即用的部署阈值，都是超出证据的解读。

复现第一步做什么，资源现状如何

复现的第一步不是直接运行分类器，而是按清单重建评估对：先申请或准备 SMP 原音频并按时间戳切出锚点，再用 Demucs 分离与回混流程固定人声处理，接着按论文的随机提示与音频条件接口重新生成 3 类 AI 衍生，最后施加相同的变调变速组合并按类内与全局最近规则挖掘负例，只有对构造一致，后面的阈值与 XGBoost 比较才有意义。

第二步是冻结编码器提取 CLEWS 与 WEALY 嵌入，按分组交叉验证校准距离、阈值与融合权重，再在折内排序下训练位移分类器，并剔除 5 个人声有效性标志以避免捷径。资源方面，作者 GitHub 仓库当前可用，已公开清单、提示词、脚本和源代码，可用于重建流程；Suno 与 Udio 只是论文提到的商业系统链接，不证明作者已开源它们，且论文明确指出实验用的是暴露音频条件接口的研究架构。SMP 音频因商业授权不随仓库发布，这是复现时必须单独解决的信息条件。

超参数层面需保留曼哈曼距离用于 CLEWS、余弦距离用于 WEALY、阈值 986.4 仅为参考可视化、融合权重 1.0、混合维度为 24 加 512，以及分组防泄露与多种子平均的统计方式。

什么时候值得尝试，还缺哪项验证

当任务是判断 AI 候选是否为已知原曲的衍生，且能提供被指控乐段的时间戳与可控的音频条件生成流程时，这套把版本识别表征加位移分类器的做法值得尝试，尤其适合需要高精确率的分流场景。复现时先做阈值基线，确认生成式来源是否已出现距离饱和，再决定是否引入 512 维左右的位移表示，避免一开始就用全维度增加成本。

还需要补的验证包括：更多生成架构与更广的扰动下的稳定性、 lyric 保留更完整的数据上的语义分支贡献、对编码器微调是否带来额外增益，以及超越二值检测的来源归属。记住 3 个数字边界：总体从 0.612 到 0.803 的增益依赖剔除捷径后的混合表示，512 维扫描的 0.792 与 54 秒每折和 1024 维的 0.811 与 119 秒每折不可混淆，最终混合的总训练时长原文没有报告。满足这些条件去读结果，才不会把分流工具误当成法律结论。

📎 论文与评分元数据

排名：前50% | 文档类型：数据集与基准 | 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

← 返回 2026-10-11 语音/音乐/音频论文速递