英文题目：Melodia: Training-Free Music Editing Guided by Attention Probing in Diffusion Models
会议身份：
conference:aaai:2026:conference-paper-id:37204
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#注意力机制 #扩散模型 #评测协议 #音乐 #音乐生成
评分：6.4/10 | 创新 1.4/2 | 技术严谨 1.0/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Yi Yang：机构信息未能从会议 PDF 纯文本可靠映射
- Haowen Li：机构信息未能从会议 PDF 纯文本可靠映射
- Tianxiang Li：机构信息未能从会议 PDF 纯文本可靠映射
- Boyu Cao：机构信息未能从会议 PDF 纯文本可靠映射
- Xiaohan Zhang：机构信息未能从会议 PDF 纯文本可靠映射
- Liqun Chen：机构信息未能从会议 PDF 纯文本可靠映射
- Qi Liu：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
文本引导的单轨内编辑以源音频与目标文本为输入，输出目标音色或风格音频，难点在于语义修改常冲散原曲旋律与节奏结构。Melodia先对源音频编码后做部分DDIM反演得到可编辑中间隐变量，并在反演轨迹上缓存自注意力查询与键以构建锁定旋律节奏时序关联的注意力仓库。接着在目标去噪过程中以仓库特征替换AudioLDM 2第8-14层自注意力映射，从而注入显式结构引导以抑制隐式引导下的结构漂移。最后保留目标值分支并经解码器重建频谱，将语义控制留给目标提示与预训练去噪器。与直接改交叉注意力或仅靠反演隐式引导的方法不同，该设计将语义控制与结构保持解耦，因而更能兼顾依从与保真。在MelodiaEdit基准下，Melodia的CLAP为0.39，高于DDPM-Friendly的0.34。该结论适用边界受限于AudioLDM 2与Stable Audio Open上的器乐音色与风格及情绪编辑，尚未验证长时程作曲或多轨混音外推。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
要解决的编辑问题是什么？
输入是一段源音乐与一句目标文本，目标是只改变同一声部内部的属性。例如把单簧管换成吉他，把爵士换成阿拉伯风格，把紧张换成平静。同时保留原来的旋律走向与节奏骨架。
必须保留的信息是时间结构，也就是音符何时出现、节拍如何重复、旋律轮廓如何起伏。输出是一段新音频，它在听感上属于目标描述，但对齐源音乐的结构。本文聚焦声部内编辑，不讨论增加或删除独立乐器轨道的声部间编辑。
初学者容易把生成质量等同于编辑成功，论文强调两者不同。直接按目标文本生成可能音质很好，但结构已经不是源音乐，因此不算保结构的编辑。另一个常见误解是认为只要起点噪声来自源音乐就能保结构，论文后面的对照显示仅靠起点复制时结构仍会明显漂移，需要显式约束。
阅读本文的输出是一套可复述的操作流程，包括在哪里探测注意力，在哪几层替换什么张量，如何设置逆向起点与引导强度。以及如何用平衡指标判断是否同时做到了改对属性与保住结构。
已有路线各自分担了什么代价？
第一类是专门训练编辑模型，例如为声部间编辑训练的扩散模型。这类方法需要大量文本音频对与完整训练开销，优点是能直接学习指令，但成本最高。第二类是微调预训练模型，例如在 MusicGen 上做指令微调。虽然数据需求小于从零训练，但仍需优化与调参，且往往与特定基座绑定。
第 3 类是零样本编辑，不新增训练，只在推理时操纵注意力或噪声。例如 MusicMagus 使用交叉注意力约束与词替换，MEDIC 统一互自注意力与交叉注意力控制，DDPM 逆向与随机微分方程编辑则通过逆向起点提供隐式引导。这类方法的代价从训练转移到了使用条件与结构保持。
有的需要用户准确给出描述源音乐的关键词，非专业用户难以提供。有的缺乏来自原音乐的显式结构引导，编辑后频谱的时间纹理与源音乐对不上。图像编辑中的提示词到提示词与互自注意力控制提供了操纵注意力的先例，但论文指出其在音乐扩散模型中的作用机制尚未被系统探测。
本文的位置是第 3 类中的免训练免源提示词路线，区别在于先做探测分析再决定只动自注意力。并用仓库机制把源结构显式带入去噪，从而降低使用门槛并改善结构保持。
为什么结构保持这么难？
扩散编辑存在两股力量的拉扯。一股是目标提示的语义引导，它希望把音频推向目标音色风格区域。另一股是来自逆向起点的隐式结构引导，它希望留在源结构附近。论文用结构音色采样空间直观说明，当语义引导明显强于隐式引导时，编辑轨迹会偏离源结构。
表现为频谱中原来的竖向节拍条纹消失或旋律线被重写。举例来说，把鼓独奏改成小提琴独奏时，若约束不足，模型可能直接生成一段与源节拍无关的小提琴乐句。虽然文本贴合度很高，但已失去编辑意义，这只是一个教学例子，不代表论文报告了该样本的具体数值。
另一个难点是注意力分工不明。如果错误地替换富含属性语义的交叉注意力图，可能破坏语义映射却保不住结构。如果全层替换自注意力，又可能把源音色也带回来，导致改不彻底。因此问题被分解为两个可验证的子问题。
哪种注意力图编码了可分类的属性语义，哪种注意力图承载了时间结构。以及在哪几层干预能兼顾两者，本文的例子均明确标为教学转述，具体数值以原文表格与实验条件节为准。
Melodia 让一个样本走完哪条路？
以一段原音乐片段为例，先经变分自编码器编码器得到潜变量。再做部分去噪扩散隐式模型逆向，只逆向到中间步 Tstart 而非纯噪声，得到可编辑的中间潜变量并复制为编辑分支的起点。在逆向的每一步，系统把原分支自注意力的查询与键存入注意力仓库。
进入编辑分支的反向去噪时，每一步的自注意力图不再用目标分支自己的查询与键计算。而是用仓库中同一步的原查询与键计算，再与目标分支的值相乘得到层输出。目标提示同时从另一路注入去噪器提供语义引导，去噪结束得到目标潜变量，再经解码器解码为可听音乐。
按此走法，结构信息来自仓库的显式引导，属性信息来自目标提示，二者在去噪层内汇合。
内容 × 风格： 内容指与乐器音色无关的旋律节奏骨架，风格指音色流派情绪等可替换属性；论文沿用内容风格分离假设，认为编码后的潜变量对应唯一的内容风格对；搭配理由是只有把二者视为可分离，替换自注意力而保留值的做法才有依据，组合意义是编辑被定义为保持内容分量而沿风格轴移动到目标提示所指区域。
下面先看整体流程图，它把上方逆向与下方编辑两条路径以及右侧注意力细节放在同一张图中，适合先建立输入到输出的主干认知。
看图路径： 1. 先沿右侧原波形到编码再到逆向的上方橙色路径看信息如何进入噪声起点；2. 再看下方蓝色逆向路径中目标提示从何处注入每个去噪模块；3. 最后放大右侧细节框，确认查询与键来自原潜变量而值来自目标潜变量的箭头走向
论文图 3。原论文 Figure 3：“(Left) Overview of Melodia. (Right) Detailed explanation of Attention-based Structure Retention (ASR).”。
该图左侧显示原音频经编码得到潜变量后向左进行部分逆向，上方橙色箭头代表保结构的逆向。下方蓝色箭头代表做编辑的反向过程，起点通过复制连接。下方蓝色目标提示箭头逐层注入去噪模块，红色虚线代表基于注意力的结构保持模块逐层向下干预。
右侧细节框进一步显示原潜变量经变换得到查询与键并存入系统内存，目标潜变量只提供值。三者组合成新的自注意力图后参与目标分支计算，这种画法把语义与结构两路引导的汇合点明确为自注意力层。论文用另一张示意图解释为何需要仓库，它把编辑看作在结构为横轴音色为纵轴的空间中从噪声起点走向目标区域的过程。
看图路径： 1. 先确认横轴是结构纵轴是音色的采样空间，以及下方噪声带与上方小提琴带的含义；2. 再对比左右两幅图中从起点到终点的蓝色编辑轨迹偏离源位置的水平距离；3. 最后追踪右侧图中信息保存与结构引导两条回路如何从逆向过程指向编辑过程
论文图 4。原论文 Figure 4：“Intuitive Illustration of DDIM Inversion and Re- verse Process with Attention Repository based Structure Guidance.”。
该图左侧只依赖起点复制与目标提示，语义引导的黄色大箭头把轨迹拉向目标音色带。导致终点与源在结构轴上拉开距离，标注为明显结构漂移。右侧引入注意力仓库后，逆向过程的信息保存箭头先把每步结构特征送入仓库，再由结构引导箭头在反向每一步拉回轨迹。
使终点在水平方向上更接近源位置，标注为轻微结构漂移。这张图不是实测轨迹，而是对隐式引导不足与显式引导补偿的直观解释，对应后文在不同 Tstart 下测得的贴合度与结构距离的权衡曲线。
探测与替换操作到底改了什么张量？
先讲白话。交叉注意力是文本与音频之间的桥梁，查询来自音频隐特征，键与值来自文本编码。得到的注意力图决定每个音频块关注哪些文本词，自注意力是音频内部的桥梁，查询键值都来自音频隐特征。
得到的注意力图决定不同时间块之间如何相互参照，从而形成节奏重复与旋律连贯。论文的探测方法是构造 3 组提示数据集，乐器维度用独奏某乐器的句式覆盖 16 种乐器，风格维度用典型某风格的句式覆盖 11 种风格。情绪维度用某情绪音乐的句式覆盖 8 种情绪，在生成时抽取各层对应关键词的交叉注意力图与各层自注意力图。
再训练简单的多层感知机分类器判断这些图能否被分成正确的类别。若分类准确率高，说明该图编码了属性语义而不只是加权系数。
交叉注意力 × 自注意力： 交叉注意力负责把目标文本中的乐器风格情绪语义引入去噪过程，分工是决定改成什么；自注意力负责刻画潜变量内部不同时间块之间的依赖，分工是决定原来的旋律节奏如何排布；二者搭配的理由是只动交叉注意力会连同语义和结构一起改写，而保留自注意力的查询与键可以给出去噪以显式结构约束，组合意义是让语义引导与结构约束同时作用，实现改属性而不改骨架。
自注意力层的原始计算可写成查询键值投影与加权求和的形式，符号含义是隐特征经投影得到查询键值，注意力图经归一化后对值加权。
\[ϕs = Self-Attention(Qs\]该公式说明原始自注意力输出等于注意力图乘以值，其中查询键值均来自同一隐特征。因此它刻画的是块间依赖，Melodia 的改法是保持公式结构不变，只把查询与键替换为仓库中存下的原音乐同一步的查询与键。而值仍用目标分支的值，从而让块间参照关系来自源音乐，让携带目标语义的内容来自当前编辑分支。
部分 DDIM 逆向 × 注意力仓库： 部分 DDIM 逆向负责把原音乐潜变量只加噪到中间步 Tstart 并得到可编辑起点，分工是提供隐式的结构起点；注意力仓库负责在逆向每一步存下原音乐的自注意力查询与键，分工是把结构信息显式留存；搭配理由是仅靠起点复制时目标提示的语义引导更强会导致结构漂移，组合后逆向存下的特征能在正向去噪时被重用，形成显式结构引导以减小漂移。
下面看替换不同注意力与不同层时的频谱对照，目的是验证上述分工判断。该对照包含鼓到小提琴与布鲁斯到古典两个教学例子，重点观察竖向节拍条纹是否保留。
看图路径： 1. 先看左右两列的任务标题，确认左侧是鼓到小提琴的音色迁移，右侧是布鲁斯到古典的风格迁移；2. 再自上而下对比替换自注意力 8 到 14 层与替换交叉注意力各行的纹理变化；3. 最后把替换行与最下方的直接生成和无替换行对照，判断哪一行更接近源音乐的竖向节拍条纹
论文图 2。原论文 Figure 2：“Results of cross-attention map and self-attention map replacement in different layers of the AudioLDM 2.”。
该图左右两列分别为鼓到小提琴与布鲁斯到古典的编辑，每列自上而下依次为源、替换自注意力 8 到 14 层、替换自注意力全部层、替换交叉注意力各层、直接按目标生成、无替换编辑。可见替换自注意力 8 到 14 层时，左侧仍保留源鼓点的竖向密集条纹但频谱细节变为弦乐质感，右侧仍保留源的旋律起伏。
替换交叉注意力时结果更接近直接生成，源的节拍条纹消失。替换自注意力全部层时源音色残留较多，表现为改不彻底。这支持了只动特定层自注意力能保结构并改属性的结论，但像素不能精确辨别的频点数值不应硬读，结论以论文文字为准。
本研究训练了什么？没有训练时算了什么？
本研究没有训练或微调任何音乐生成与编辑模型，也没有新增可训练模块。唯一需要训练的是探测阶段的轻量多层感知机分类器，用于判断注意力图是否可分，与最终编辑推理无关。实际编辑调用的是冻结的预训练 AudioLDM 2，其去噪网络包含 16 层交叉注意力与自注意力机制。
另在泛化实验中调用冻结的 Stable Audio Open，真实计算发生在两处。一是部分逆向过程中对原潜变量逐时间步的前向加噪与特征存储，二是编辑分支反向去噪过程中每一步用仓库查询与键重算自注意力图并与目标值相乘。超参数方面原文明确给出推理步数为 200 步，目标分支的无分类器引导强度为 5.5。
操作层为 8 到 14 层，逆向起点 Tstart 在 300 到 1000 之间可调。论文未报告梯度路径、优化器状态、训练耗时与推理延迟，也未说明分类器的学习率与早停细节。因此不能从免训练推定输出确定或延迟更低，只能说省去了训练数据与调参成本，但每步仍需额外的注意力重算与内存读写。
这意味着复现时应把重点放在推理期特征搬运的正确性上，而非寻找训练脚本。冻结参数不等于输出确定，随机种子与采样噪声仍会影响单次结果。
在什么数据与指标下比较？
数据包括公开集 MusicDelta 与 ZoME-Bench，以及新建的 MelodiaEdit 基准。MelodiaEdit 包含两千余对音乐与提示，分为合成子集与真实子集，合成部分由 AudioLDM 2 生成。真实部分从独奏与风格数据集重构，覆盖音色流派情绪 3 类声部内编辑。
基线包括随机微分方程编辑、基于旋律条件的中型 MusicGen、MusicMagus、DDPM 友好版与 DDIM 逆向。其中扩散基线统一基于 AudioLDM 2 实现以保证基座一致，MusicMagus 按原文设置只测特定起点，其余扩散方法在多个 Tstart 下测试。客观指标中 CLAP 越高表示越贴合目标文本，LPAPS 越低表示与源结构越接近。
Chroma 越高表示和声旋律音高保持越好，频域音频距离越低表示分布差异越小。主观指标包括相关性、结构一致性与新提出的音乐编辑平衡分，均采用五点量表。
CLAP × LPAPS： CLAP 负责衡量编辑结果与目标文本的语义贴合度，越高越好；LPAPS 负责衡量编辑音频与源音频在时间结构与连贯性上的距离，越低越好；二者搭配的理由是单看一个会误判几乎不改或改得面目全非的做法，组合意义是论文用二者的调和平均构造平衡分，要求两者同时做好才得高分。
两个综合分的计算均采用先标准化再缩放到零到一再求调和平均的流程，区别在于搭配对象不同。
\[ASB = 2 · S(N(sCLAP)) · S(N(−sLPAPS))\]该公式表示贴合度与结构保持的平衡分，其中结构项取负是因为 LPAPS 越低越好。标准化与缩放使跨方法比较落在同一量纲，调和平均要求两者同时做好，任一极低都会拉低总分。
\[AMB = 2 · S(N(sCLAP)) · S(N(sChroma))\]该公式表示贴合度与音乐性保持的平衡分，音乐性用 Chroma 相似度衡量。两项均为越高越好，同样经过两步归一化后求调和平均。需要提醒的是归一化依赖参评方法集合的最优与最差，因此综合分是相对排名而非绝对阈值，换一组基线数值会变化。
下面整理数据集构成与关键可复现条件，比较问题是不同来源的数据与不同人数的主观评测是否支持公平比较，公平条件是明确合成与真实的对数划分与推理步数，指标方向是规模越大覆盖越广，人数越多偶然性越小。
| 条件 | 指标 | 数值 1 | 数值 2 | 说明 |
|---|---|---|---|---|
| MelodiaEdit 总量 | 音乐提示对 | 2,015 music-prompt pairs | 5 subsets | 声部内编辑基准 |
| 合成与真实划分 | 合成对数与真实对数 | 1,090 pairs | 925 pairs | 分别来自生成与重构 |
| 扩散推理条件 | 推理步数 | 200 inference steps | AudioLDM 2 | 统一基座实现 |
| 主观评测规模 | 招募与有效 | 100 participants | 77 valid responses | 有音乐经验群体 |
上表说明 MelodiaEdit 的规模与来源构成，以及主观评测的人数与有效回收情况。它支持的判断是评测覆盖合成与真实两类来源，且主观样本来自有音乐经验的群体。限制是表中未包含划分比例与采样率细节，合成子集由同一基座生成可能带来分布偏向，解读时需结合跨数据集结果一起看，主观每数据集仅 10 个样本也限制了推广强度。
主结果在不同起点下呈现什么权衡？
要回答的问题是，在文本贴合与结构保持的权衡线上，Melodia 是否在各起点下都更靠近右下方的理想区域。比较条件是同一 MelodiaEdit 基准上绘制 CLAP 为横轴、LPAPS 向下为纵轴的曲线，扩散基线扫多个 Tstart。MusicMagus 只取一个点，MusicGen 取旋律条件版本，指标方向是横轴向右越好，纵轴向下越好。
右下方绿色区域被标为最优平衡区，起点越大通常改得越多但结构距离也会上升。
看图路径： 1. 先确认横轴是文本贴合度 CLAP 向右越好，纵轴是 LPAPS 向下越好；2. 再找到橙色 Melodia 曲线上标注的 300 到 1000 起点，观察其随起点增大向右上方移动的趋势；3. 最后对比蓝色粉色绿色三条基线曲线的位置，判断谁落在右下方的最优平衡区域内
论文图 5。原论文 Figure 5：“Quantitative Comparison with methods over Tstart range of 300-1000 on MelodiaEdit.”。
该图显示橙色 Melodia 曲线从 300 到 1000 随起点增大向右上方移动，始终位于绿色平衡区内或边缘。表现为在任一贴合度水平下结构距离都低于其他曲线，蓝色与粉色曲线代表 DDPM 友好版与 DDIM 逆向，二者在中小起点下结构距离明显更高。绿色随机微分方程编辑曲线整体偏左上，黑色 MusicMagus 单点结构距离居中但贴合度偏低，红色 MusicGen 单点贴合度较高但结构距离最高。
这支持了仓库引导在各起点下都改善权衡的判断，但也表明 Tstart 本身仍是权衡旋钮。客观数值方面原文报告 Melodia 在 3 个数据集上取得有竞争力的 CLAP 与最低的 LPAPS，同时保持较好的 Chroma 与音频距离，综合平衡分最优。需要同时看到的反例是 MusicMagus 在 MelodiaEdit 上 Chroma 与音频距离看似很好，但原因是输出几乎未改变，贴合度很低，因此综合分为零。
这正是提出平衡分的动机，主观评测在 3 数据集各抽 10 个样本，由有效样本评分。Melodia 在相关性、结构一致性与平衡分上均领先，限制是主观样本量较小且未报告显著性与评分者一致性，不能把平均领先推广为每首必胜。
层选择与探测精度支持什么因果？
要回答的问题是，操作层选在哪里，以及探测精度能否解释层选择。比较问题是不同层段替换自注意力后的贴合度与结构距离如何变化，公平条件是同一 MelodiaEdit 上的音色流派情绪 3 类任务。指标方向与主结果一致，综合分越高越好，论文报告 8 到 14 层在平衡分上最优。
同时保持较低的结构破坏与较高的文本对齐，不替换时结构距离大。替换全部层时音色残留导致改不彻底，替换过窄或过偏的层段则平衡分下降。视觉证据与数值趋势一致，但原文未给出每层单独贡献的因果分解，因此只能说层段整体有效，不能断言其中每一层都必要。
下面展示探测分类器在不同层与不同类别上的准确率整理，原表按自注意力报告。比较问题是自注意力图是否编码了可分类的属性语义，公平条件是同一多层感知机探测流程作用于各层特征，指标方向是准确率越高表示语义编码越多。
| piano | 0.15 | 0.37 | 0.12 | 0.25 | 0.70 | 0.02 | 0.27 |
|---|---|---|---|---|---|---|---|
| accordion | 0.22 | 0.05 | 0.17 | 0.45 | 0.65 | 0.40 | 0.32 |
| jazz | 0.32 | 0.17 | 0.05 | 0.37 | 0.22 | 0.07 | 0.20 |
| country | 0.10 | 0.02 | 0.05 | 0.05 | 0.67 | 0.10 | 0.17 |
| sad | 0.02 | 0.15 | 0.27 | 0.27 | 0.67 | 0.60 | 0.33 |
| happy | 0.05 | 0.65 | 0.05 | 0.27 | 0.30 | 0.17 | 0.38 |
上表为探测分类器在不同层与不同类别上的准确率整理，结合正文可知交叉注意力平均准确率超过 70%。表明其编码了丰富的乐器风格情绪语义，直接干预易导致无效修改。自注意力平均准确率低于 40%，表明其不编码类别属性，而是承载时间特征。表后需要强调的是相关性不等于因果，分类可分只支持编码了语义的解释，保结构的作用还需替换实验与编辑曲线共同支持。
未胜出项是自注意力在个别层类别上的中等准确率，例如个别情绪类别接近 60%。说明并非所有层都完全不含语义，这也是只选 8 到 14 层而非全层替换的原因之一。另一泛化证据是在 Stable Audio Open 上的音色迁移中加入 Melodia 后贴合度与结构指标均有改善，且覆盖 16 千赫与 44.1 千赫两种采样率。但该部分只报告单任务与少量指标，未展开多任务与主观验证，推广时需补验证。
哪些边界尚未被验证？
首先是资源状态，原文证据中未发现来源绑定且完成安全验证的资源。因此不得声称代码模型或数据已公开，本次也未能确认演示页与仓库可达，复现需按论文文字自行实现。其次是指标局限，平衡分依赖跨方法标准化与最大最小缩放，换基线集合会改变相对位置。
且未测量误判率、延迟与算力成本，不能承诺这些量得到改善。再次是数据局限，MelodiaEdit 的合成部分由同一基座生成，可能高估同基座方法的优势。主观评测每数据集仅 10 个样本且有效问卷不足八十份，未报告统计显著性。
最后是方法边界，内容风格分离假设与变分自编码器双射假设是推理前提。未验证其在强改风格或长时结构下的成立程度，全层替换会残留源音色的现象表明结构与音色并非完全解耦。层选择可能随基座与采样率变化，需要重新扫层。
总体趋势不等于每组每步都成立，Tstart 与引导强度的最优组合仍需按任务重调。对于刚入门的研究者，应把未验证部分记为待办验证，而非技术缺陷。
复现时先固定哪些步骤？
先固定基座与推理条件，加载冻结的 AudioLDM 2，推理步数设为 200 步。目标分支无分类器引导强度设为 5.5，逆向起点从 300 到 1000 扫一遍以复现权衡曲线。实现时按单样本流程组织，编码原音频得到潜变量，部分逆向到 Tstart 并在每一步存下自注意力的查询与键到内存。
复制起点到编辑分支，反向去噪时在 8 到 14 层的每一步用存下的查询与键重算注意力图。再与当前目标值相乘，其余层与交叉注意力保持原计算，目标提示只从语义支路注入。评测时同时计算 CLAP、LPAPS、Chroma 与音频距离，再按论文的两步归一化与调和平均计算平衡分。
注意综合分必须在同一组基线下联合归一化才能复现相对排名，还需补的验证包括记录随机种子与多次运行方差。统计推理耗时与内存占用，补充长音频与强风格跳变的失败案例。若换到 Stable Audio Open，需重新确认层编号对应关系与采样率处理。
不能直接沿用 8 到 14 的编号而不做对照，否则可能因架构差异导致结构约束落错位置。
何时值得尝试这种做法？
当任务是声部内编辑且用户无法提供准确的源音乐描述时，值得尝试免源提示词的自注意力替换路线。因为它把结构约束从文本描述转移到仓库特征，降低了使用门槛。当已有较好的文本到音乐扩散基座且不允许训练时，该方法可作为推理期插件。
优先在中间层段小范围试点，再向外扩展层范围并观察贴合度与结构距离的移动方向。若目标是大幅改写结构本身，则不应使用该方法，因为其设计目标恰是抑制结构漂移。复述要点是探测先行区分语义图与结构图，部分逆向提供起点。
仓库提供显式结构引导，特定层替换实现平衡，平衡分用于同时考核改对与保住。待验证的是跨基座层选择规律、长时一致性与真实部署成本，补齐这些后才能从实验优势走向可用工具。对于研究生而言，先复现权衡曲线再做单层消融，比直接调大引导强度更能理解机制。
⚖️ 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