SegTune：把歌曲控制从整首描述下沉到分段时间窗

英文题目：SegTune: Structured and Fine-Grained Control for Song Generation

会议身份：conference:acl:2026:conference-paper-id:2026.acl-long.586

✅ 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。

会议来源：官方记录 · 官方 PDF

标签：#扩散模型 #偏好优化 #Transformer #音乐 #歌唱生成

评分：6.8/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 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 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Yuejiao Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Zihao Ji：机构信息未能从会议 PDF 纯文本可靠映射
• Pengfei Cai：机构信息未能从会议 PDF 纯文本可靠映射
• Xu Li：机构信息未能从会议 PDF 纯文本可靠映射
• Haorui Zheng：机构信息未能从会议 PDF 纯文本可靠映射
• Zewen Song：机构信息未能从会议 PDF 纯文本可靠映射
• Zhongliang Liu：机构信息未能从会议 PDF 纯文本可靠映射
• Chen Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Pengfei Wan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

歌曲生成需以无时间戳歌词、全局提示和分段提示为输入，联合合成人声与伴奏，难点是配器、情绪与能量随段落演变且声伴需保持对齐。SegTune先用微调后的Qwen3-4B-Base时长预测器自回归输出LRC格式句子级起始时间，以确定段边界与推理噪声长度。接着歌词编码器将音素写入对应潜帧，全局向量广播至全部帧、分段向量广播至对应窗口后沿通道拼接并经投影得到文本条件。最后这些分层条件与时间对齐歌词嵌入共同引导1.1B参数DiT生成潜表示，并经两轮DPO进一步优化音乐性。与仅用全局提示或在歌词中插入离散结构标签的已有非自回归方法不同，该工作将每段自然语言描述独立编码并按时间注入，解耦全局一致性与局部演变。在客观评测下，SegTune-SFT的PER为14.5%，低于DiffRhythm+的27.4%。其适用边界受限于90%以上为中文流行的内部训练分布，对模糊结构输入与段内渐强等尚未验证。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，目标是什么，为什么值得做分段控制？

本文的输入是歌词文本加 2 级文字描述，输出是包含人声与伴奏的完整歌曲音频。白话来说，模型要同时决定唱什么词、用什么音色风格唱、每一段用什么乐器和情绪伴奏。目标读者是刚进入语音音乐音频领域的研究生，需要先建立可复述的链条：文字如何变成随时间变化的音乐，再到如何验证每一段是否听从指令。

论文要解决的矛盾是既有系统大多只接受一个全局提示，一首歌从头到尾共用同一段风格描述。真实歌曲的配器情绪能量与节奏是随主歌副歌过渡段不断演化的，只用全局条件会让生成结果趋于平均，缺乏起伏。英文缩写上，后文用非自回归表示 1 次并行去噪的扩散路线，用扩散变换器表示去噪主干网络。

必须保留的关键信息包括数据规模与语言分布、训练 3 阶段划分、评估协议与指标方向，以及资源可用性声明。本次收到的证据中没有发现来源绑定且完成安全协议状态验证的资源，因此不得声称代码模型或数据已公开，只能按论文文字转述其训练与评估做法。输出按任务与路线、方法全景、组件计算、训练构造推理、实验条件、结果反证、复现收束的顺序展开。

已有路线如何取舍，为何都卡在全局提示上？

音乐生成的一条路线是自回归建模，白话就是逐个预测离散音频记号。代表做法包括用残差向量量化加变换器解码器提升保真度，以及先预测语义记号再渲染声学的 2 阶段结构，还有把声学解码器换成扩散模型。这条路线擅长长程依赖，但推理慢、训练复杂，对歌曲编辑等交互任务不够灵活。

另一条路线是非自回归扩散或流匹配，直接在隐音频空间中并行去噪。白话就是从噪声 1 次性细化出整首歌的隐表示，推理更快，但把作曲与渲染压缩进同一个隐扩散过程，难以同时兼顾音乐结构、时间连贯与人声乐器平衡。歌曲生成比纯器乐多出三重负担：歌词与旋律乐句要对齐，人声与伴奏要保持一致，段落之间要有音乐意义上的过渡。

早期系统对人声伴奏共用一套词表，容易产生模态干扰，后续工作把两者分成独立记号序列。少数工作在歌词中插入结构标签，例如标出主歌副歌，但那只是粗粒度标记，不能精细调节某一段的配器或情绪强度。器乐领域已有按段扩散与时变控制的尝试，但其对象不含人声轨道，不能直接搬到歌曲任务。按同输入同目标同监督对照，SegTune 与基线输入目标相同，但运行阶段多出分段边界预测与分段广播这一步。

全局控制具体在哪些环节失效？

论文把全局控制的失效拆成 3 个相互关联的表现。第一是时间动态丢失，配器情绪能量本应随段落演进，全局提示只能给出平均描述，生成结果容易同质化。第二是跨模态协调困难，人声与伴奏共用一个全局条件，模型要在同一组参数里同时安排唱什么与怎么伴奏，容易出现表达错位。

第三是创作灵活性受限，专业作曲者想让副歌更激昂、过渡段更稀疏，业余创作者想逐段试想法，全局提示都不支持这种局部改写。再往下看，非自回归模型还有一个被忽视的环节，即歌词时长。有的系统要求用户手写时间戳，耗时且易错，有的用零样本大模型直接猜词级时长，缺乏音乐感知。

时长不准会连带影响两件事：分段提示不知道该贴到哪几帧，歌词音素不知道该从哪 1 帧开始唱。可以把这个问题理解为时间轴地基，地基偏了，上层的风格与结构控制都会错位。SegTune 因此把时长预测器与层级提示放在同等重要的位置，而不是当作后处理小模块。

SegTune 让一段歌词走完从文字到波形的全过程

先沿一个具体样本走一遍，这个例子仅用于教学，不代表实测效果。假设输入是 Hey Jude 的两句歌词，加上一段全局描述流行摇滚抒情男声温暖内省，以及若干分段描述，例如前奏是稀疏柔和的钢琴动机，第一主歌是温柔人声加稳定钢琴。时长预测器读入全部歌词与 2 级提示，输出带时间戳的歌词列表，例如某句从 5.01 秒开始，下一句从 8.23 秒开始。有词段落边界由对应句子区间直接确定，纯器乐段落则按相邻有词段落的结构连续性推断。

拿到时间轴后，提示编码器把全局提示编成一个向量并复制到全部隐变量帧，把每个分段提示各自编成向量并复制到对应窗内的帧，两组向量沿通道拼接后经 3 层多层感知机投影为每帧 1024 维的文本条件。与此同时，歌词每句先转成音素序列，再写入与音频隐变量等长的占位序列，写入位置就是该句起始时间对应的帧。最后文本条件、歌词占位、带噪音频隐变量与广播后的时间步向量沿通道拼接，送入由 16 个类 LLaMA 解码器块组成的扩散变换器，经多步去噪得到干净隐变量，再经 1 维变分自编码器解码器还原为波形。训练时压缩来自 44 千赫兹原始音频，隐序列帧率为 21.5 赫兹。

下图是整体结构导读，左侧为输入，中间为条件构造，右侧为生成主干，建议按输入到输出的主路径阅读，再看条件分支的汇合点，图中符号含义见图注原文说明。

看图路径： 1. 先从左侧歌词与全局加分段提示入口沿箭头看到时长预测器与提示编码器；2. 再看中间 B 广播与 C 拼接如何把全局向量铺满全长把分段向量铺到对应窗；3. 接着看歌词编码器输出与噪声及时间步在何处汇合进入扩散变换器

论文图 1。原论文 Figure 1：“Overview of the SegTune architecture.”。

从像素可见，左侧全局框与 3 个分段框分别进入全局编码器与分段编码器，编码后各自经过标有 B 的广播节点，垂直堆叠的色条表示不同段落占据不同时间窗，再经标有 C 的通道拼接节点与投影模块汇合。下方歌词框经标有仅推理的时长预测器变为带时间戳格式，再经歌词编码器向上汇合。中间标有 C 的汇合点把文本投影、高斯噪声、歌词编码与时间步聚到一起，送入绿色扩散变换器块序列，最后经音频隐变量与解码器得到底部波形示意。这张图的关键是 B 只在段内复制，C 是跨条件拼接，两者分工不同，不可互换。

层级提示与时长预测各自算什么，如何配合？

层级提示的计算可分为 3 步。第一步是用同一家族的文本编码器分别编码全局与分段提示，原文选用 Qwen3-Embedding-0.6B，理由是保留长文本中的细粒度语义属性。第二步是时间广播，全局向量复制到长度为 T 的全部帧，分段向量只复制到由起止时间换算成的帧区间，换算方式是起始秒数乘采样率再除下采样率后取整。第 3 步是沿通道拼接并投影，得到与隐序列等长的文本条件。训练时段落边界来自数据管线预标注，推理时来自时长预测器，这是训练与推理在同一模块上的唯一差异。

全局提示 × 分段提示： 全局提示负责整首歌的风格一致性，如流派音色总体情绪，被广播到全部时间帧；分段提示负责局部随时间变化的属性，如段落标签情绪转折节奏配器，被广播到对应时间窗。二者搭配的理由是解耦一致性与变化性，组合后经通道拼接与投影得到每帧文本条件，使扩散主干同时看到不变的风格锚点和变化的局部指令。

时长预测器选用 Qwen3-4B-Base 并经微调，输入模板要求模型综合歌词行长度、乐句复杂度、整体风格与结构流程估计每行合理演唱时长，并直接返回完整歌词时间戳列表。推理时它同时决定三件事：歌词占位写入位置、分段广播窗口、初始噪声长度。歌词条件本身只做句起始对齐，不做词级强制对齐，做法是初始化全为填充符的占位序列，把音素序列从起始帧开始写入。英文用发音词典工具转音素，中文用分词加拼音工具处理。

时长预测器 × 歌词条件： 时长预测器负责输出句级带时间戳的歌词并由此导出每个分段的时间边界，歌词条件负责把音素序列写到音频隐变量对应起始帧的位置。二者搭配的原因是分段广播和歌词对齐都需要同一套时间轴，组合意义是推理时不再依赖人工标注时长，预测出的边界同时驱动提示广播歌词占位和初始噪声长度。

推理时的分类器无关引导采用带负条件的扩展形式，在无条件流与有条件流之外再引入负条件流，负条件下移除歌词并把全局与局部分段提示替换为负向提示，原文经验取主引导系数为 3，负向系数为 1。训练时对全局与分段条件各以 20% 概率独立丢弃，以支持该引导方式，同时用大模型改写扩充提示风格以增强泛化。

数据如何清洗标注，模型分哪三阶段训练？

数据管线分 3 段。第一段是质量过滤，先按时长、采样率、通道数、能量等元数据与声音事件检测去掉非音乐片段，再用音频美学打分与歌曲美学评估去掉低质量样本。第二段是歌词处理，无歌词歌曲先用人声分离得到人声音轨，再按普通话与非普通话分别用不同语音识别模型转写，有歌词时间文件时先用大模型过滤元信息，再用编辑距离与识别结果校验，不一致则丢弃，结构标签由音乐理解模型提取。第 3 段是层级标题生成，用音频大语言模型分别为整曲与每个段落生成描述，段落描述前拼接结构标签以支持可控性，并在每样本首尾 0.5 s 放置固定起止提示。

下图是数据管线的可执行导读，建议自上而下跟踪 3 个虚线框之间的数据流向，重点看分支何时合并、何时分出，右侧输出分别对应后续训练的监督来源，左侧长箭头是容易忽略的旁路。

看图路径： 1. 先看顶部质量过滤框内的元数据约束与质量评估条目；2. 再看中间歌词处理框如何分出干净歌词支路；3. 接着看底部标题生成框如何输出全局与分段提示

论文图 4。原论文 Figure 4：“Overview of the data pipeline of SegTune.”。

从像素可见，顶部质量过滤框包含时长比、采样率、通道数、压缩率能量与质量评估、结构切分、音源分离等条目，向下输出人声轨道加歌词，左侧另有一条人声加伴奏长箭头直接通往底部标题生成框。中间歌词处理框向右输出干净歌词，底部标题生成框向右输出全局与分段提示。三框职责分离：过滤决定留不留，歌词处理决定唱什么与何时唱，标题生成决定如何用文字描述音乐，缺任何一框都会让后续条件缺失。

扩散变换器 × 条件流匹配： 扩散变换器是承担去噪映射的网络主体，由类 LLaMA 变换器块堆叠而成，条件流匹配是定义训练目标的框架，学习从高斯先验到音频隐变量的速度场。搭配理由是前者提供容量与条件注入位置，后者给出直线插值路径与回归目标，组合后模型在给定歌词与层级文本条件下逐步把噪声搬运为有结构的人声加伴奏隐变量。

训练目标是条件流匹配，白话就是学习一个速度场，把高斯噪声沿直线路径搬运到目标音频隐变量。训练分 3 个阶段，比较问题是不同数据门槛如何影响保真度与音乐性，公平条件是同一主干与同一条件构造，只改变数据筛选与优化目标，时长条件与文本条件的构造方式保持不变。

上表把 3 阶段数据门槛与优化超参数放在同一视图，目的是说明主结果的训练来源：预训练保证覆盖度，微调提升保真度，偏好对齐针对歌曲美学分做胜负优化。需要同时记住的代价是偏好数据偏向年轻女声，且优化未对性别年龄保真施加约束，这为后文指令跟随下滑埋下伏笔。扩散主干是 1.1B parameters、16 LLaMA-style decoder blocks，时长预测器在大于 100k LRC-formatted lyrics 上微调 8 epochs，batch size = 8，grad accumulation = 4，max new tokens = 4096，lr = 2e-5，LoRA rank = 32。

用什么数据与基线测什么，指标方向如何读？

主生成测试集由聊天模型生成的 15 首中文流行歌组成，含歌词与提示，训练语料以中文流行歌为主，占比超过 90%。基线选 4 个可实际运行的系统：自回归路线的 YuE 与 LeVo，扩散路线的 DiffRhythm 加与 ACE-Step，均支持歌词加全局提示的歌曲生成。为保证稳健性，每个模型每个提示生成 10 个不同音频样本，每系统共 150 轨，再对客观指标取均值与标准差。主观听感做 5 分制平均意见分，5 名听者每人对 9 首歌的 5 个系统输出按音乐性与质量打分。

客观指标分 4 组，方向均为越高越好，除了音素错误率越低越好。第一组音素错误率，用语音识别转写生成歌曲后与原歌词比较，反映可懂度与歌词保真度。第二组音频美学 4 维，包括内容享受、内容有用性、制作复杂度、制作质量。第三组歌曲美学 5 维，包括连贯性、记忆度、自然换气乐句、结构清晰度、总体音乐性。第 4 组指令跟随，包括全局与分段 MuLan 分，以及性别年龄控制准确率。性别用音频大模型直接判断，年龄用两首生成歌曲做二选一。

全局 MuLan 分 × 分段 MuLan 分： 全局 MuLan 分负责衡量整首生成音频与全局提示的对齐，分段 MuLan 分负责对每个段落音频与对应分段提示算分再平均。搭配原因是仅有全局分无法检验时间轴上的指令是否落地，组合后既能看风格大方向是否走偏，又能看主歌副歌等局部配器情绪是否按段执行。

该组合的教学意义是只看全局分会漏掉时间轴上的执行情况，只看分段分会忽略整体风格漂移，二者结合才能同时回答大方向是否走偏与局部是否按段执行。未评测边界是测试集语言集中在中文，跨语言泛化不在本次测量范围内，推理延迟与硬件预算原文也未完整报告。

主结果在可懂度美学与指令跟随上各得到什么？

先提出比较问题：在同一 15 提示每系统 150 轨的协议下，SegTune 相对 4 个可运行基线是否在可懂度、美学与指令跟随上同时占优。公平条件是所有系统都只拿到歌词加全局提示进行生成，SegTune 额外可用的分段提示在对比全局指标时不直接加分。指标方向为音素错误率越低越好，其余美学与 MuLan 分越高越好，性别年龄准确率越高越好。

上表显示两个阶段各有代价，监督微调阶段音素错误率最低，为 14.5%，性别控制准确率最高，为 96.7%，原文报告其具有最低的错误率，说明层级条件与准确时长带来了清晰的歌词与可控音色。偏好优化后内容享受与总体音乐性等美学指标上升，但音素错误率回升到 18.5%，性别与年龄准确率分别降到 81.0% 与 51%，原文解释为偏好数据偏向年轻女声，且优化只对歌曲美学分负责。这是一个具体的反例：音乐性提升不等于指令跟随提升，二者需要多目标对齐。基线侧 YuE 错误率高达 48.5% 且人声偏嘶哑，ACE-Step 等也因历史歌词串入当前段而偏高。

主观听感的分布形态需要看小提琴图，平均数之外还要看集中程度，SegTune-DPO 音乐性均值最高且最集中，质量仅次于 LeVo 但方差最小，纵轴为 1 到 5 分的平均意见分。

看图路径： 1. 先确认横轴五个系统与纵轴平均意见分的取值范围；2. 再对比每个小提琴左右两半白色音乐性与浅蓝质量的宽度与中线；3. 重点观察最右侧 SegTune-DPO 两半分布是否更集中且位置更高

论文图 2。原论文 Figure 2：“Violin plots of MOS results for musicality and quality evaluation.”。

从像素可见，横轴从左到右为 YuE、LeVo、DiffR 加、ACE-Step 与 SegTune-DPO，纵轴为平均意见分，每组左侧白色为音乐性、右侧浅蓝为质量。最右侧 SegTune-DPO 的白色分布明显上移且收窄，浅蓝分布也集中在 4 分附近，而左侧 YuE 两半拖尾很长，LeVo 质量上沿虽高但音乐性分散。这支持原文报告的数字：音乐性 4.57 正负 0.52，质量 3.87 正负 0.56，前者在非参数符号秩检验中对全部基线显著，后者对除 LeVo 外的基线显著，对 LeVo 则无显著差异。不能把质量第二误读为全面落后，统计结论是与 LeVo 相当。

分段提示与编码器选择各自贡献多少，时长误差多敏感？

为分离数据规模与结构设计的混杂影响，消融在相同数据主干与超参数下只换提示编码器。比较维度有两个：一是层级组合方式，包括仅全局、拼接、混合加权，二是编码器主体，包括 Qwen3-Embedding 与 Muq-MuLan。原文报告仅全局时 Qwen3-Embedding 在音乐性与指令跟随上均超过 Muq-MuLan，性别准确率分别为 92.2% 与接近随机的 47.6%，原因是后者文本音乐对齐训练时标题缺少演唱者属性。拼接全局加分段后全部音乐性指标显著超过仅全局，且双 Qwen3 配置指令跟随最强。混合加权按 0.2 与 0.8 线性融合则出现音乐性与跟随双降，解释为语义干扰破坏了拼接的清晰分离。

Qwen3-Embedding × Muq-MuLan： Qwen3-Embedding 是为长文本语义保留细粒度属性的纯文本编码器，Muq-MuLan 是经文本音乐对比学习得到的音乐专用多模态编码器。搭配比较的理由是前者擅长性别年龄等演唱者属性，后者擅长配器节奏等音乐属性，组合实验通过固定全局编码器替换分段编码器来分离编码器选择与层级结构各自的贡献。

下图从嵌入空间解释编码器差异，建议先看两类颜色是否可分，再想想这对生成时性别控制意味着什么，图中坐标为降维后的邻域嵌入维度。

看图路径： 1. 先确认横纵轴为降维后的第一维与第二维及右上角图例；2. 再看红色男性点与蓝色女性点是否形成上下可分的两大团块；3. 观察中间交界带有多少混叠点以判断可分程度

论文图 6。原论文 Figure 6：“t-SNE visualization of Qwen3-Embedding on singer gender control.”。

从像素可见，红色男性点集中在上半，蓝色女性点集中在下半，中间仅有少量混叠，形成可辨的两大团块。原文同时报告两类中心余弦距离为 0.107，而另一编码器仅为 0.002 且散点几乎完全重叠。这支持有限解释：纯文本编码器保留了性别等细粒度语义，而音乐专用编码器在此属性上判别力弱，但后者仍适合描述配器情绪节奏等段落音乐属性，因此分段编码器的选择需按属性类型权衡。

时长预测的消融用 15 首真实中文流行歌对比真值、微调 Qwen3 与零样本 GPT-4o，指标方向为平均绝对误差越低越好，美学越高越好，公平条件是三者接入同一生成主干。

上表的主要收益是微调模型的误差显著更低，为 0.99 秒，而零样本为 3.24 秒，且前者在几乎所有音乐性维度上持平或超过后者，性别控制均为 81.9% 左右，说明局部时间抖动对属性控制影响有限。代价与边界是即使误差降到 1 秒内，分段 MuLan 仍低于真值条件的 0.47，说明时长仍有改进空间。未评测边界包括段落结构模糊的用户输入，此时预测器性能会下降，进而影响整体质量，原文明确列为局限。

哪些条件没测，哪些能力明确不支持？

原文明确给出两点局限。第一是训练歌曲具有清晰段落结构，当用户输入结构模糊或指定不清时，时长预测器性能下降并连带损害生成质量。缓解思路是在应用层加结构化输入模板与提示增强器，把自由输入改写为训练一致格式，但本文优先做核心结构而非接口工程。

第二是层级提示只能控制段落级属性，如情绪与配器，不能建模段内细粒度动态，例如渐强或装饰音。未来工作指向端到端结构预测与多目标对齐，以及支持多歌手过渡与对话式协同创作，但这些均属待验证方向。社会影响部分提醒，门槛降低可能加剧职业音乐人竞争，主张把工具定位为提升原型效率与表达能力的协作手段。

同时要求在部署时限制职业歌手音色作为参考输入，建立训练去重与生成后相似性筛查以处理版权与声音肖像问题。这些不是性能结论，而是部署前需要补的治理验证。缺失证据不是技术错误，相关性不是因果，未测量误判率与延迟时，不承诺这些量得到改善。

要复现应先准备什么，按什么顺序跑通？

复现先做三项准备。第一是数据，按质量过滤、歌词处理、层级标题生成的顺序跑通管线，保留句起始标注与段落边界，中文为主并记录语言分布。第二是模型，按扩散主干、双提示编码器、时长预测器、歌词编码器的顺序实现条件拼接，特别注意训练用预标注边界、推理用预测边界这 1 分支差异，以及全局广播全长、分段广播对应窗的实现。

第三是评估，按音素错误率、音频美学、歌曲美学、全局与分段 MuLan、性别年龄准确率的顺序搭建指标，并固定每提示 10 样本、每系统 150 轨的聚合口径。关键超参数与信息条件包括：音频 44 千赫兹、隐帧率 21.5 赫兹、文本条件 1024 维、主干 1,100,000,000 参数 16 块、预训练微调批量 32 学习率 2e-5、偏好优化批量 8 累积 4 学习率 5e-7、引导系数 3 与负向 1、时长微调低秩秩 32。

缺项需要明示：原文未给出完整训练硬件预算与推理延迟，变分自编码器是否冻结、梯度路径细节未逐层报告，不能从模型名称推定实现。资源状态方面，本次未发现可验证的公开链接，不得声称代码模型或数据当前可用，复现应按内部数据与自建标注起步。

何时值得尝试 SegTune，还需补哪项验证？

当任务需要逐段调节情绪节奏配器、且能提供或自动生成分段描述时，值得尝试层级条件加时长预测的组合。它的可复述动作很具体：先让大模型为每段写短描述并预测句级时间戳，再把描述贴到对应时间窗，最后用全局描述兜住风格。预期收益是歌词更清晰、段落起伏更可控，预期代价是偏好优化可能牺牲属性保真，需要在奖励中显式加入人口属性惩罚或做在线策略优化。

还需补的验证包括跨语言与跨风格的泛化、段内动态控制、模糊结构输入的鲁棒性，以及推理开销与实时性的实测。以下非参数检验汇总了主观优势的统计证据，比较问题是音乐性与质量是否分别显著，公平条件是同一 9 首歌 5 听者的打分协议。

上表是对原文非参数检验的原样转述，音乐性上 SegTune 对全部基线显著，质量上对除 LeVo 外显著，对 LeVo 质量无显著差异。表格中音乐性均值为 4.57 正负 0.52，质量均值为 3.87 正负 0.56，基线均值与统计量见原表渲染。这意味着在当前小样本听感协议下，音乐性优势证据较强，质量优势需按基线分别表述，不能推广为全面超越全程最优。

⚖️ 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 acl-2026 论文汇总