FM Synthesizer Audio-Parameter Shared Embeddings

英文题目：FM Synthesizer Audio-Parameter Shared Embeddings

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_paper_33

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#图神经网络 #多模态学习 #音乐 #音频检索

评分：8.1/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前25% | 文档类型：方法研究

👥 作者与机构

David Braun：机构信息未能从会议 PDF 纯文本可靠映射
Adam Finkelstein：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

给定目标音频从预设库中找回最匹配的FM合成器预设，输入为音频、输出为预设，难点在于音色由算子路由拓扑与调制交互决定，扁平参数向量会丢弃信号路由结构。FM-SynAPSE先将DX7预设按算法转成算子为节点、调制与反馈为有向边的图，节点特征融合连续、离散与全局参数并缩放到统一区间。接着音频编码器与图参数编码器经SLAP式非对比多模态目标对齐到共享空间，分别用在线编码器、目标编码器与预测器计算跨模态与模内余弦对齐损失。检索时用音频预测向量与库中参数预测向量的余弦距离返回最近预设，训练中辅以算子交换与参数噪声增强以暴露新算子组合。与把算法作类别嵌入的Transformer及把展平参数送入高速块的Highway基线相比，关键差异是消息沿真实调制边流动并经输出电平门控与FiLM聚合、最后只对载波求和，从而支持未见拓扑零样本编码。在16个算法训练、8个未见算法测试的检索任务下，DX7-GNN的R@1为52.2%，高于Transformer的R@1 34.6%。该增益的适用边界受限于DX7六算子同构结构与单音符C4渲染，多样复音与跨合成器迁移尚未验证。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://github.com/DBraun/SynAPSE — 链接可访问（HTTP 200）
第三方资源：https://github.com/DBraun/dexed-py — 链接可访问（HTTP 200）
第三方资源：https://github.com/asb2m10/dexed — 链接可访问（HTTP 200）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，为什么要学参数表示？

这篇论文的输入是两类东西，一边是单通道音频波形，另一边是雅马哈 DX7 合成器的一个预设。预设不是音频，而是一组共 145 个参数，包括全局的反馈电平、低频振荡器设置、音高包络、算法编号，以及每个算子各自的幅度包络、频率、键盘缩放等。目标是学出一个共享嵌入空间，让目标音频的向量与能重现它的预设参数向量距离最近，从而把声音设计中靠耳朵翻预设库的慢过程变成自动检索。

对于刚入门的同学，白话说就是：合成器好比一台接线复杂的乐器，旋钮位置决定音色；论文不直接预测旋钮数值，而是先把声音和旋钮位置都翻译成同一种坐标，再按距离找最像的那一套旋钮。必须保留的关键信息是检索代替回归的设定，推理时音频查询向量与库中全部预设参数向量比余弦距离，返回最近者。输出不是生成新参数，而是从固定画廊中挑出已有预设。

为什么要强调参数表示的可复用与结构？因为 DX7 有 6 个相同的正弦算子，按 32 种预定义算法连接，有的做载波直接相加成声，有的做调制器改变别人相位。拓扑本身塑造音色，且没有一种拓扑对所有目标都最优。如果把路由只当成 1 个类别编号，模型就无法理解新接线。论文因此提出两点贡献，一是把 SLAP 多模态目标从语言音频搬到参数音频，二是设计模仿调制信号流的图编码器 DX7-GNN。当前代码仓库状态为可用，已公开可访问，第三方渲染依赖的两个仓库链接当前也可访问，但本解读的事实仍以论文正文为准。

已有路线在输入目标与监督上与本文有何不同？

自动合成器编程这条线，输入同样是目标音频，目标是估计固定架构的参数，监督是音频到参数的直接回归、离散化加标签平滑、强化学习或参数分布生成，运行阶段多为预测或优化。NAS-FM 同时搜索拓扑与频率比，发现没有单一拓扑最优，DiffMoog 报告调制链在梯度优化下难以收敛，这些都说明 FM 的拓扑是难点。Le Vaillant 等人把算法编成类别参数做插值，Hayes 等人的 Param2Tok 能发现可互换振荡器的对称性，但路由仍是独热，遇到未见拓扑就无法编码。

参数表示这条线，Synth-Proxy 用 Highway、Transformer 等把预设编码去逼近冻结音频模型的嵌入，InverSynth 用可微代理把扁平参数映射到频谱图，它们的输入是扁平拼接的参数向量，目标是可复用的预设表示，但都不建模计算结构。音频表示这条线，用微扰预设做对比学习或用采样器音色做检索，画廊里存的是预设渲染音频的嵌入，而本文画廊里存的是直接由参数算出的嵌入，这是同目标不同输入的关键区别。

多模态这条线，CLAP 用对比学习做音频文本，SLAP 改用无负样本的 BYOL 式目标并在检索与探针上超过 CLAP，还能靠梯度累积做大批量。本文的对照是公平的：3 类参数编码器共享同一音频编码器与 SLAP 头，只换参数侧结构，从而把结构归纳偏置的效果分离出来。

要解决的检索问题如何形式化？

形式化上，记音频为长度为 T 的单通道波形，预设为 DX7 的 145 维扁平向量。学习两个编码器，分别把音频与预设映射到同维度的共享空间。训练时用成对的渲染音频与产生它的预设做对齐，推理时给定一段目标音频，先算出音频查询向量，再与画廊中每个预设的参数查询向量算余弦距离，取最小者作为返回。

举个教学例子帮助理解，不代表论文数值：假设库里有 3 套预设分别偏亮、偏暗、偏鼻音，目标是一段亮音色，理想情况下它的向量应落在亮预设附近。论文的评估正是这种 1 对一检索，查询就是画廊预设自身渲染的音频，所以每个查询有且仅有一个正确答案。作者明确指出不用参数域距离做指标，因为 DX7 存在对称性，不同参数可渲染出完全相同的音频，参数距离会误导。

这个设定隐含两个学习依赖：第一，音频侧要抓住音色而非音高或力度，论文把渲染固定为中央 C 与固定力度就是为了控制变量；第二，参数侧要理解路由，否则换一种接线就失效。后文的方法全景先走通一个样本从参数与音频到联合损失再到检索输出的完整路径，再展开每个组件的计算。

FM-SynAPSE 全景：一个样本走完输入到输出

拿一个 DX7 预设为例，先看参数侧。它的算法编号决定 6 个算子之间哪些边存在，构成有向图；其余参数经独热展开与归一化后，每个节点得到 47 维特征，全局特征广播到 6 个节点再拼接各自算子特征。图编码器经过多层消息传递，把载波节点的最终状态按算法掩码求和，再经输出多层感知机得到参数侧隐变量，随后经投影器与预测器得到查询向量。音频侧把该预设渲染成 4 秒片段，经梅尔频谱与卷积网络得到音频隐变量，同样经投影与预测得到查询向量。

训练时两条模态的在线查询去对齐对方目标分支的停止梯度投影，同时各自对齐本模态目标，形成四项余弦距离损失。推理时不再需要目标分支与预测器的训练逻辑，只保留在线编码器加投影加预测算出的查询向量做最近邻。

联合嵌入 × 预设检索： 联合嵌入负责把音频波形和 DX7 预设参数映射到同一个向量空间，使余弦距离可比；预设检索负责在推理时把目标音频的查询向量与库中每个预设的参数向量逐一比对并返回最近者。搭配理由是回归或优化要为每个目标重新计算参数，而检索把昂贵渲染前移到建库阶段，组合后系统不需要预测参数数值，只需保证跨模态距离反映听感与参数结构的对应。

这种检索代替优化的选择，使参数编码器一旦训好就可以不渲染音频而直接嵌入新预设，这正是与音频到音频检索的本质区别。

参数图如何构造，哪些参数不进节点特征？

每个预设的图由所选算法决定，6 个算子是节点，调制连接与反馈环是边。论文以算法 12 为例展示两种视图，传统效果器视图是分层方框加输出，消息传递视图是圆形节点加方形输出，非活跃边用虚线表示。理解这张图的关键是方向：调制信号沿有向边流动，载波节点最终汇入输出。

特征处理上有 4 类特殊安排。算法编号不进特征而决定图结构，移调在渲染时固定，反馈电平只经反馈边权重进入消息传递，输出电平不进特征而在每层做门控。剩下 16 个全局参数经独热展开成 21 维，20 个每算子参数展开成 26 维，全局广播拼接后每节点 47 维，全部缩放到负 1 到 1。Transformer 基线保留输出电平与反馈在节点特征里达到 49 维，正是因为它没有架构上的门控与反馈边，只能靠特征去学。

看图路径： 1. 先看左侧传统 DSP 视图中 OP4 到 OP6 如何汇入 OP3，以及 OP2 带反馈如何进入 OP1；2. 再看右侧图视图中圆形算子节点与方形输出节点的区别；3. 对比左右两侧，确认实线有效边与虚线非活跃边在算法 12 中的对应关系；4. 重点观察 OP2 上的自环与 OP3 到输出的长边，理解反馈与载波求和的图表示

论文图 2。原论文 Figure 2：“Two views of Algorithm 12: (Left) Traditional DSP. (Right) A message passing graph. Inactive edges are dotted lines.”。

左图分层方框显示调制汇入与反馈回路，右图圆圈与虚实边显示同样的算法 12 如何变成图。看图时先确认有效实边与虚线非活跃边的区别，再看自环反馈与载波到输出的边，就能明白后文消息为何只沿实边求和，以及载波掩码为何能直接从算法定义得到而无需学习。

仿真 FM 的消息计算、更新与载波汇聚如何工作？

DX7-GNN 的每一层都保留两条轨道，基特征由输入多层感知机从 47 维映射到 384 维后固定不变，消息状态从零向量开始逐层演化，这对应 FM 中算子配置固定而调制信号流动的直觉。消息计算时，每个节点把上一层已被输出电平门控的状态沿出边发送，调制边权重为 1 原样通过，反馈边权重为学习到的单调重映射乘以可学习标量，初值 0.5 来自 Dexed 源码的增益归一化。到达目标节点后，对所有入邻居加权求和得到聚合调制。

更新时用聚合调制去条件化基特征。每层 FiLM 多层感知机有 5 层，每层先由聚合消息经线性层切分出缩放与偏置，再对上一层输出做线性变换后乘以一加缩放加上偏置，随后是丢弃率 0.3 与激活函数。初始化时 FiLM 层方差缩小到十分之一，使缩放偏置接近零而接近恒等映射，让基变换先训起来。最后经层归一化加残差再乘以重映射后的输出电平，静音算子下一层发出的消息恰为零。

频率调制合成 × 消息传递神经网络： 频率调制合成负责说明声音如何产生：载波振荡器直接相加成声，调制器输出改变下 1 级振荡器的瞬时相位，输出电平为零则下游收不到信号；消息传递神经网络负责把这种计算变成可学习的表示：算子是节点，调制连接是有向边，上一层状态沿边加权求和后去条件化本节点。两者搭配的理由是边方向与调制方向同构，组合后编码器不再把路由看成类别标签，而是直接在结构上传递调制，从而能处理训练时没见过的算法拓扑。

经过 9 层后，用算法定义的二进制载波掩码对载波节点状态求和，再经输出多层感知机映射到 512 维隐变量。所有节点与所有层共享同一套消息权重，因此只要层数超过图直径就能处理任意大小与拓扑的 FM 图，反馈环造成的循环不会被特殊处理，而是当成普通加权消息。

FiLM 条件化 × 输出电平门控： FiLM 条件化负责让聚合到的调制消息生成每层的缩放与偏置，去调制固定基特征，模拟调制器控制载波行为的过程；输出电平门控负责在每层更新后乘以重映射后的输出电平，使电平为零的算子输出恰为零向量。搭配理由是前者表达有调制时音色如何变化，后者硬约束无信号时不应传递任何消息，组合后静音算子的零信号性质在网络中逐层保持，不必靠数据去学。

SLAP 四项损失与端到端训练如何组织？

训练目标沿用 SLAP，只是把语言模态换成 DX7 预设参数。每个模态有在线分支与目标分支，在线是编码器加投影器加预测器，目标是同结构无预测器且停止梯度。目标权重按 0.98 的滑动平均跟踪在线权重，加上预测器的不对称性来避免无负样本时的坍缩。损失是余弦距离，一减余弦相似度，跨模态两项让音频查询对齐参数目标、参数查询对齐音频目标，模态内两项让各自查询对齐各自目标，总权重取 0.5 平衡跨模态与模态内。

实现细节上，投影与预测输出维度由 512 调到 384，滑动平均率由 0.95 调到 0.98，投影丢弃 15% 预测丢弃 35%，预测器用 4096 维隐层加批归一化。音频编码器用 AFx-Rep 变体的 CNN14，从零训练输出 768 维隐变量，梅尔设置沿用 SynthRL。优化用 AdamW，有效批量 256，权重衰减万分之一，梯度裁剪 3.0，学习率万分之二加 1000 步预热，恒定学习率略优于余弦衰减。4 卡 L40 上训 80,000 步不到 5 小时，瓶颈是中央处理器实时渲染，论文估算合成约 2.6 年时长的音频。

在线分支 × 目标分支： 在线分支负责接收梯度，由编码器加投影器加预测器组成，输出查询向量；目标分支负责提供稳定的对齐目标，结构与在线编码器加投影器相同但不接预测器且停止梯度，只用指数滑动平均跟踪在线权重。搭配理由是去掉负样本后需要不对称性防止表示坍缩，组合后四项余弦距离损失既拉近音频与参数的跨模态对应，又保持各模态内部一致。

超参数搜索先用冻结音频代理快速试 100 组 DX7-GNN 结构，再把通用设置搬到基线，最后端到端精调，这种分阶段做法在复现时要留意，因为结构选择并非全程端到端搜索得到。

看图路径： 1. 先从左侧音频频谱与参数旋钮图标出发，沿实线箭头找到在线编码器与目标编码器两条通路；2. 再看中间黄色与橙色方块区分的投影向量与查询向量位置；3. 然后找到标有 s.g. 与 EMA 的虚线，确认梯度只走向预测而不更新目标分支；4. 最后数右侧四条虚线损失，区分跨模态与模态内对齐各有两项

论文图 1。原论文 Figure 1：“SLAP architecture for FM-SynAPSE: Online encoders (EA, EP ) receive gradients; Target encoders ( ̄EA, ̄EP ) are up- dated via exponential moving average (EMA).”。

上图左侧频谱与旋钮图标分别进入上下两路在线与目标编码器，中间方块区分投影与查询，右侧虚线标出四项损失。重点是带停止梯度标记的目标通路不接收梯度，指数滑动平均虚线只做权重跟踪，这正是无负样本仍能训练的关键。

数据、划分、增强与评估条件是什么？

数据用 DX7AllTheWeb，按精确参数去重并忽略音色名，再过滤到 2 秒中央 C 力度 85 渲染响度超过负 40 响度单位的 31443 个预设。训练时实时渲染 4 秒片段，3 秒音符加 1 秒释放，固定中央 C 与力度 85，44.1 千赫采样后下采样到 22.05 千赫，用 Dexed 的 Python 绑定。作者说明部分重复或近似重复音频仍存在，因为互换算子设置可渲染出相同声音。

划分有两种。交错算法划分考拓扑泛化，16 个奇数算法共 15370 个预设训练，8 个偶数算法共 9233 个验证，另 8 个偶数算法共 6840 个测试并从中随机取 4096 个做检索画廊，高编号算法倾向调制少载波多，交错设计平衡了这种结构差异。80 比 10 比 10 随机划分考全见拓扑，画廊 3144 个。增强只在训练用，一是算子交换，每个非静音算子以 20% 概率整体替换为训练池中同为载波或调制器的另一设置，二是参数噪声，连续参数以 1% 概率向均匀随机值插值，类别参数以 2% 概率扰动到相邻值。

看图路径： 1. 先看横轴算法编号 1 到 32 与纵轴预设数量，确认分布高度不均；2. 再按图例蓝色训练绿色验证红色测试区分交错划分的归属；3. 找出最高的算法 5 蓝色柱与算法 2 绿色柱，对比数据不平衡程度；4. 观察高编号算法载波多调制少但样本少，思考评估时偶数算法的难度

论文图 3。原论文 Figure 3：“Distribution of 31,443 presets across the 32 DX7 algo- rithms, colored by the held out split: train (odd algorithms); vali- dation and test (disjoint even algorithms).”。

该柱状图横轴为 32 种算法，纵轴为预设数，蓝绿红分别对应训练验证测试。可见算法 5 蓝色柱最高达 3758 个，算法 21 仅 116 个，分布极不平衡。读图时不要把同色当成同音色，它只表示划分归属，评估难度来自测试算法在训练中从未出现。

评估用音频到参数的召回率、平均倒数排名与模态间隙，模态间隙是两类查询质心的欧氏距离，越小表示对齐越好。查询就是画廊预设自身渲染的音频，保证 1 对一正确答案。基线是 Transformer 与 Highway，参数量分别为 57.2M 与 6.59M，DX7-GNN 仅 3.38M，音频编码器 82.8M 与投影预测头另计。

全见拓扑与未见拓扑的检索结果有何反差？

当 32 种拓扑都在训练中出现时，3 种编码器都强，DX7-GNN 与 Transformer 同为 86.1% R@1，仅差一个查询与万分之四的平均倒数排名，Highway 为 81.2%。这说明在已见结构下参数编码器的选择相对次要，真正的考验是未见算法。

DX7-GNN 86.1% 99.5%	0.917	0.0293
Transformer 86.1% 99.5%	0.917	0.0209
Highway 81.2% 98.5%	0.880	0.0268

上表比较随机划分下全见拓扑的检索，指标越高越好，模态间隙越小越好。表前的问题是：在拓扑无缺失时结构偏置是否必要？公平条件是共享音频编码器与 SLAP 头、画廊 3144 个。表后解释是三者差距在 5 个百分点内，结构优势未显现，因此不能据此宣称图模型全面更优，必须看下一张未见拓扑表。未胜出项是 Highway 稍低，但仍超八成首位命中，说明扁平向量在记忆已知接线时够用。

当训练只见 16 种奇数算法而在 8 种偶数算法上测试时，三者急剧分化。DX7-GNN 以 52.2% R@1 与 88.5% R@10 大幅领先 Transformer 的 34.6% 与 Highway 的 24.8%，且参数最少。模态间隙也以 DX7-GNN 最小。

DX7-GNN 52.2% 88.5%	0.652	0.0446
Transformer 34.6% 70.6%	0.470	0.0505
Highway 24.8% 59.1%	0.365	0.0722
No Swap 13.5% 47.0%	0.245	0.0617

上表比较未见算法下 4096 画廊的检索，条件是训练验证测试算法互不相交。表后解释是图编码器的主要收益在首位精确命中，代价是绝对值仍从 86% 掉到 52%，说明泛化远未解决。未胜出项中 Transformer 仍明显好于 Highway，表明注意力在未知算法标记下有一定迁移，但不如显式路由。

为满足宽表要求，下表用原文连续句整理关键数字，保留百分号与原精度，不做四舍五入与差值计算。

评估条件	指标	DX7-GNN	Transformer 基线	Highway 基线
未见算法，4096 画廊	R@1	52.2%	34.6% R@1	24.8% R@1
未见算法，4096 画廊	R@10	88.5% R@10	待验证	待验证
消融：去掉算子交换	R@1	13.5%	待验证	待验证
消融：全连接图替代真实路由	R@1	30.9%	待验证	待验证

上表每格数字与单位来自原文连续句，裸值不擅自加单位，缺项明确标待验证而非填零。表后解释是算子交换缺失导致从 52.2% 跌至 13.5%，全连接替代导致跌至 30.9%，两者共同支持路由本身而非一般消息传递带来泛化。但 R@10 等完整基线在该句中未报告，需回原表核对，不把单句推广为全指标结论。

哪些操作真正影响未见拓扑，深度与反馈呢？

消融显示算子交换必不可少，去掉后测试 R@1 从 52.2% 跌到 13.5%，而去掉参数噪声仅跌到 50.5%。反馈的贡献小而集中在首位精度：反馈边权重冻结在 0.5 初值时为 51.2%，完全去掉反馈边但渲染仍带反馈时为 49.5%，完整学习版为 52.2%，但无反馈版在 R@10 上以 89.2% 略超完整版的 88.5%，说明收益限于细粒度首位。用全连接图替代真实算法拓扑则跌到 30.9%，证明是具体路由而非六节点间任意传递在起作用。

消息层数从 4 到 9 几乎持平，检索与模态间隙都不随深度明显变化。论文的解释是忽略反馈环后 4 层已覆盖算法 1 与 2 的最大直径，更深层因更新只依赖固定基特征与当前消息而不依赖自身旧状态，不会像常见图网络那样过平滑到不可区分。训练时每种深度用 1/4 批量，这点在对比时要记住。

单调重映射的可视化进一步佐证架构合理性。输出电平学习曲线呈凸形，跟踪 DX7 指数增益，仅靠 SLAP 目标学到而未查增益表；反馈边权重轻微压制中段，向 DX7 的 2 的幂阶梯靠拢但保持平滑，强度标量收敛到 0.496，基本不动。作者认为节点状态按加法组合如 DX7 信号相加，重映射把特征缩放到适合加法空间。

看图路径： 1. 先看左图横轴输出电平与纵轴重映射值，对比虚线恒等线红色真值与蓝色学习曲线；2. 再看右图横轴反馈参数与纵轴边权重，确认灰色默认线红色阶梯真值与蓝色平滑学习曲线的走向；3. 注意右图图例中标出的缩放因子 0.496，确认反馈强度基本保持初始化附近；4. 观察两条蓝色曲线在中段对真值的偏离，理解平滑单调约束带来的近似误差

论文图 7。原论文 Figure 7：“Learned monotonic remappings overlaid with DX7 ground truth.”。

左图输出电平重映射中蓝色学习曲线贴近红色真值的凸形，右图反馈边权重中蓝色平滑曲线介于灰色默认线与红色阶梯真值之间。读图时先确认图例中恒等线、真值与学习线的颜色，再看横轴从 0 到 1 的输入范围，不要把右图阶梯的跳变当成学习曲线的噪声。

算子交换增强 × 拓扑泛化： 算子交换增强负责在训练时以一定概率把非静音算子的整组参数替换为训练池中同为载波或调制器的另一算子设置，人为制造同一拓扑下的新参数组合；拓扑泛化负责在测试时对完全没见过的算法编号仍能给出可用检索。搭配理由是只见过 16 种奇数算法时模型容易记住特定算子配置，组合后模型被迫关注路由结构而非具体数值，从而在偶数算法上保持检索能力。

证据的边界与未验证的推测是什么？

论文直接报告的是单次训练运行的结果，未报告多次种子的方差，架构选择经冻结音频代理的搜索而非全程端到端搜索，这些都限制了结论的统计强度。数据只覆盖 DX7 一种合成器，其算子结构相同正好适合研究拓扑泛化，但滤波器包络等异构模块需要异构节点或边的扩展，作者建议可从 Faust 这类音频处理语言的中间表示派生图，这属于待验证方向。

预设在算法间不平衡，单算法最少 116 个最多 3758 个，且每预设只渲染中央 C 单音固定力度，因此嵌入只抓住该音高力度下的一个点，多音与力度相关行为未评测。检索质量未做用户研究，只提供交互网站供主观试听。音色理解部分虽在 timbremetrics 上达约 69% 三元组一致接近 LAION-CLAP 的 72%，但那是仅在 FM 合成上训练的音频编码器的附带结果，不能推广为通用音频表征更优，且 PANNs 加 AudioSet 权重仅 61.4% 低于 MFCC 的 68.7%，说明基准本身对训练模型并不友好。

为保留可运行策略的对照，下表整理全见与音色基准的数字，缺失处不填。

评估条件	指标	DX7-GNN	对比对象与数值	说明
全见拓扑，3144 画廊	R@1	86.1% R@1	Highway 编码器 81.2%	两者差距小，结构差异未显现
全见拓扑	MRR 差	4 × 10−4 MRR	Transformer 与 DX7-GNN 近乎持平	仅差一个查询
音色三元组一致性	一致率	69.3%	LAION-CLAP 70.8–71.8%，MFCC 68.7%，PANNs 61.4%	仅 FM 训练仍接近强基线
音色基准随机水平	一致率	待验证	50%	高于随机但非全面胜出

上表指标方向均为越高越好，MRR 差越小表示越接近。表后解释是全见条件下图模型无明显红利，音色侧的接近强基线支持音频编码器学到可迁移音色结构，但代价是该评估只有 334 个样本且与 DX7 任务分布不同，不能替代合成器检索的主结论。未评测边界包括复音 MIDI、多力度与推理延迟，论文未测量误判率与成本时不应承诺这些量得到改善。

复现先做什么，需要哪些代码与超参数？

复现先从数据与渲染链做起。用 DX7AllTheWeb 按精确参数去重，过滤到响度门限后的 31443 个，再用 Dexed 的 Python 绑定按中央 C 力度 85 渲染，训练用 4 秒 3 秒音符加 1 秒释放，评估用固定子集做画廊。交错划分必须严格按奇偶算法分开，训练 16 个奇数算法，验证与测试各 8 个互不相交的偶数算法，否则会高估泛化。音频侧 CNN14 从零训练，梅尔设置沿用 SynthRL，不要直接加载 AudioSet 权重，否则音色基准的对比条件会变。

参数侧按 47 维每节点构造，算法决定边，输出电平与反馈不进特征而走门控与边权重。DX7-GNN 取隐维度 384，消息层 9 层，每层 FiLM 多层感知机 5 层，输入输出多层感知机扩展比 4，丢弃 0.3，反馈与输出电平重映射分别用 10 点与 40 点分段线性，斜率对数存储保证单调，归一化使映射从 0 到 1 且初始化为恒等。Transformer 取 4 块 1024 维 8 头前馈比 2.0 加 CLS 池化，Highway 取 6 块 768 维，两者都用算法丢弃 10% 与未知标记处理未见算法。

训练用 AdamW 批量 256 学习率万分之二预热 1000 步，滑动平均 0.98，损失权重 0.5，投影预测维度 384。增强必须打开算子交换，否则未见算法结果会崩。代码与权重与交互网站在论文中声明已发布，主仓库链接当前可用，两个第三方 Dexed 仓库链接当前也可用，但复现仍应以正文超参数为准，遇到链接不可达时以本次实际访问状态为准。

何时值得尝试这种结构，还有哪项验证要补？

当你的合成器或效果链的路由本身可变，且想从声音直接找回参数配置而非逐次优化时，这种把信号流写成图结构的做法值得尝试。它的适用条件很具体：节点功能同质或可分组同质，边方向与信号方向一致，有明确的静音或旁路语义可用门控硬约束，且能提供同一拓扑下多样参数组合的增强。若路由固定不变，论文已显示扁平 Highway 或 Transformer 在全见拓扑下差距很小，就不必引入图复杂性。

实践中先做小画廊 1 对一检索验证对齐，再做留拓扑测试验证泛化，不要把全见的高召回当成可部署收益。算子交换这类保持载波与调制器区分的增强应最先补，因为它是泛化的最大来源。反馈建模与层数加深的收益小，可放在后面。

还需补的验证包括多音高多力度下的稳定性、多次种子的方差、跨合成器或效果链图的迁移，以及从检索走向嵌入空间优化或生成的闭环。论文的局限不是技术错误，而是证据范围所致：相关性不等于因果，未测量的延迟成本与主观音质不应许诺。带着这些边界去读图读表，才能把结构归纳偏置的价值复述清楚。