Sound Matching with a Differentiable Karplus-Strong Algorithm

英文题目：Sound Matching with a Differentiable Karplus-Strong Algorithm

会议身份：conference:dafx:2026:conference-paper-id:DAFx26_paper_38

✅ 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：#信号处理 #端到端 #音乐 #音乐生成

评分：6.3/10 | 创新 1.3/2 | 技术严谨 1.1/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.9/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

Pablo Tablas de Paula：机构信息未能从会议 PDF 纯文本可靠映射
David Marttila：机构信息未能从会议 PDF 纯文本可靠映射
Rodrigo Díaz：机构信息未能从会议 PDF 纯文本可靠映射
Irán Román：机构信息未能从会议 PDF 纯文本可靠映射
Emmanouil Benetos：机构信息未能从会议 PDF 纯文本可靠映射
Joshua Reiss：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作处理单声道拨弦吉他的事件级声音匹配，输入为4秒波形，输出为离散拨弦事件集合的存在性、起音时刻、基频与弦音色参数，难点在于起音与音高的不可微定位及高共振递归的梯度传播。编码器先由梅尔滤波器组与可学习卷积双前端提取谐波与瞬态特征，再经扩张时序卷积网络与集合预测变换器输出固定槽位的事件参数，接着可微分扩展卡普拉斯-斯特朗 Karplus-Strong / KSA 解码器将参数渲染为波形以计算音频与参数损失。与频域采样的相位偏移做法不同，时域拉格朗日插值把分数延迟保留在闭环传递函数内并行反传，避免了共振冲激响应超长时的循环卷积混叠。在合成集上仅用参数损失的模型取得15.14音分的音高误差与0.92的事件F1，在NSynth真实吉他集上时域音频损失模型的CLAP分布距离为163.95，优于两个泛音加噪声基线。该结论限于无揉弦与滑音的单声道拨弦音色，尚不能外推至琴体共鸣与手弦交互更强的场景。原文未披露推理与部署成本，训练上限为24小时。

🔗 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，要输出什么，为什么不用逐帧回归？

输入是一段单声道拨弦吉他录音，时长在论文中固定为 4 秒，目标是恢复离散的演奏结构与物理音色：有几个拨弦事件、各自起音时刻与基频是多少，以及每个事件的衰减、阻尼、拨弦位置与力度，还有一个全局距离增益。输出不是逐帧的控制曲线，而是固定槽位数的事件集合，每个槽位给出存在概率、起音、基频与音色参数。

论文坚持事件级而不是逐帧预测，理由在正文中写得很明确：假设不存在揉弦与推弦等扩展技巧，一个拨弦的阻尼、衰减与基频在音符内恒定，逐帧预测会让误差通过反馈环路累积，而离散事件表示更稳健。初学者容易把声音匹配理解为把波形丢给神经网络直接重建波形，这里要纠正：网络并不直接输出波形，它输出合成器参数，再由可微 Karplus-Strong 解码器渲染波形，监督发生在参数空间或音频谱空间。

声音匹配 × 可微数字信号处理： 声音匹配负责提出逆问题：给定目标拨弦录音，反求能重合成它的物理参数；可微数字信号处理负责提供可求导的合成器实现，让音频重建损失能反向传播到这些参数。两者搭配的理由是物理参数本身可解释，但没有可微路径就无法端到端学习，组合后新增的作用是把离散事件估计与连续音色优化放在同一梯度框架下比较。

相关路线有 3 条。第一条是传统进化算法直接搜索物理参数，代价高。第二条是有监督神经网络回归，用参数损失最小化预测参数与真值参数的数值距离，但数值接近不等于听感接近。第 3 条是可微数字信号处理，把合成器变成可解释解码器，用音频重建损失端到端训练。本文属于第 3 条，但要解决两个历史包袱：以往工作依赖外部基频与起音检测器，前者易在瞬态附近八度错，后者会引入时移、漏检并把弦品交互误当拨弦。

以往逐帧预测对离散拨弦是不必要的。本文因此设计自监督事件模型，希望不依赖手工标注的起音与基频，仅从可微合成器与可自由标注的合成数据得到监督。

同输入同目标的已有工作如何对照？

若按同输入、同目标、同监督与同运行阶段对照，本文的直接前身是两项 Karplus-Strong 可微化尝试。一项是在线补充材料中用音频损失优化频率采样线性时不变实现的衰减，另一项是作者团队近期把其扩展为全时域实现，使衰减、音色、拨弦位置与动态可逐帧变化。这两项都依赖外部基频与起音检测器，本文要摆脱该依赖。与之并列的基线是谐波加噪声解码器，它用更多参数直接建模谐波与噪声，在重建保真度上通常更强，但物理可解释性弱。

论文还对照了频率采样并行化的通用文献：分数延迟在频域变成连续相移，任意复杂串联与递归环可用频点上的逐元素乘积与矩阵求逆组合，但当真实脉冲响应超过快速傅里叶变换帧长时循环卷积引入时间混叠。时域并行的另一路线是用伴随法求递归滤波器解析梯度，避免内存瓶颈与截断伪影，但分数延迟经离散插值反传、经音频损失反传的行为此前未被系统研究。

损失函数方面，多尺度频谱损失是逐点垂直距离，对音色有效但对音高不可靠，常需外部基频预测器辅助。谱最优传输损失沿频率轴搬运能量，理论上对频率偏移给出方向梯度。参数损失则是用目标合成器自身生成合成音频的参数距离做预训练，在音高上更稳。本文把参数损失扩展到起音监督，并系统检验音频损失对起音是否真有方向梯度，这是与前人对照的关键增量。

核心矛盾是什么，论文拆成哪三个可验证问题？

中心矛盾是物理可解释性与端到端可学习性之间的张力。Karplus-Strong 参数少且自然刻画瞬态，但它的延迟线长度、起音时刻等是离散或强非线性的，常规频谱损失推不动它们；谐波加噪声参数多、拟合能力强，但学到的控制量不易对应弦的物理属性。论文把矛盾拆成 3 个可验证问题。第一，延迟线长度在时域经拉格朗日插值是否可微，其梯度精度能否 сопоставим 频率采样，同时避免高共振时变场景的时间混叠。

第二，标准频谱损失对起音时刻是否提供有意义的方向梯度，联合训练时是否因此崩溃。第三，仅用合成数据参数损失能否学会基频、音色与起音，泛化到单声道录音室拨弦吉他时与外部检测器加音频损失相比谁更稳。3 个问题分别对应梯度分析实验、合成参数恢复实验与真实乐器建模实验，证据链是递进的：先看梯度方向对不对，再看合成集能否端到端收敛，最后看真实录音的分布与感知距离。

沿一个样本走完输入到输出的主路径

取一个 4 秒单声道片段为例。它同时可能来自合成数据集或真实数据集，进入事件编码器。编码器先用双前端提取特征：一路是对数幅度梅尔滤波器组看基频与谐波结构，另一路是可学习 1 维卷积看相位敏感瞬态，两者截断到同一时间轴后拼接。拼接特征投影后进入时序卷积网络构建全局上下文记忆，再由集合预测变换器用可学习查询向量通过自注意力与交叉注意力读出事件表示。

每个查询嵌入经共享线性头解码为存在概率、起音、基频与 4 个音色参数，另有一个头从时序卷积均值预测全局距离增益，得到预测事件集合。预测事件送入 Karplus-Strong 解码器渲染预测音频，训练时按不同 regime 选择走参数损失分支、音频损失分支或两者都走。

集合预测 × 事件编码器： 集合预测负责把检测建模为 1 次输出固定槽位并回归每个事件边界，避免逐帧后处理与自回归解码；事件编码器负责把该思想落地为双前端加时序卷积加变换器解码器的具体网络。搭配原因是拨弦是离散事件且假设无揉弦滑音时每音符阻尼衰减与基频恒定，组合后新增作用是 1 次前向同时得到有几个拨弦、何时发生、何种音高与音色。

3 种训练路径在图中用虚线区分。只用参数损失时只在合成数据上端到端预测全部参数。只用音频损失时绕过存在性、起音与基频头，改用外部检测器给出的起音与基频，只优化音色。两者都用时端到端联合预测全部参数。推理时与合成数据生成时用基于缓冲区的逐样本不可微实现，保证物理正确；音频损失训练时才切换到可微实现，并用直通估计器处理起音的整数放置。

看图路径： 1. 从左侧合成数据集与真实数据集箭头进入，看音频如何进入双前端；2. 沿中间时序卷积到集合预测变换器再到五个参数头的路径走一遍；3. 区分顶部绿色参数损失虚线与底部蓝色音频损失虚线各自连接的起点与终点

论文图 2。原论文 Figure 2：“Proposed sound matching pipeline. Dashed lines indicate optional paths defining our three training regimes: P-Only (end-to-end prediction trained with Ploss uniquely on Synth…”。

该图值得细读的是监督闭环。顶部绿色虚线连接真值事件与预测事件，表示参数损失的集合监督；底部蓝色虚线连接输入音频与重合成音频，表示多尺度频谱损失加谱最优传输损失的音频监督。中间橙色部分是可学习的编码器与参数头，粉色是合成器。只用音频损失时存在性、基频与起音头被外部检测器旁路，模型被隔离到音色优化，这正是后文泛化最好的配置。

扩展 Karplus-Strong 的每个滤波器在算什么？

扩展算法把一小段宽带噪声 burst 在反馈延迟环中循环，burst 与延迟线分别类比拨弦与琴弦。环路延迟决定基频，采样率除以基频即为理想延迟长度，但滤波器自身有相位延迟，需在分数延迟中补偿。环路滤波器用 1 阶全极点形式，通过直流增益控制整体衰减时间，通过截止系数控制频率相关阻尼，两者解耦。分数延迟用 5 阶拉格朗日插值实现，在低频段幅度响应最大平坦且延迟更均匀，避免线性插值的强低通效应，也避免全通滤波器在延迟变化时的瞬态问题。

激励侧有两个滤波器：拨弦位置是前馈梳状，拨在弦长的分数处会压制某些谐波，其分数延迟退化为线性插值；力度滤波器是 1 阶低通，用基频与期望动态级计算系数以保持跨音域响度一致，同时建模重拨带来更多高频能量。

看图路径： 1. 沿左侧激励滤波器向右追踪主信号路径，确认进入环路前经过哪两个滤波器；2. 对比上方整数延迟块与下方环路滤波加插值块构成的反馈闭环；3. 观察输出抽头位置，判断反馈信号与输出信号的取点关系

论文图 1。原论文 Figure 1：“An extended Karplus-Strong Algorithm.”。

从像素看，左侧两个小方块是力度与拨弦位置滤波器，右侧上方长条是整数延迟，下方两个小方块是环路滤波与插值滤波器，共同构成反馈闭环，输出从环路右侧抽出。该结构解释了为何基频、衰减与阻尼高度耦合：同一环路同时决定周期与每圈损耗。

时域 Karplus-Strong × 频率采样 Karplus-Strong： 时域实现负责用并行反向传播直接通过全极点环路滤波器和拉格朗日插值器计算，保持因果卷积不截断；频率采样实现负责把滤波器响应和分数延迟写成频点上的相移与矩阵运算，实现并行但引入循环卷积。搭配比较的理由是两者前向近似同一物理弦模型，组合意义是分离梯度精度问题与时间混叠伪影问题，判断时变高共振下哪条路径更可用。

时域解码器把环路滤波器、拉格朗日插值器与整数延迟合并为单一闭环传递函数，用并行反传通过全极点滤波器计算。频率采样解码器把离散插值与整数延迟替换为连续分数相移。论文指出高共振下没有单一快速傅里叶变换长度能同时避免时间混叠并保留时变动态，实验折中用 214 点加 256 跳距汉宁窗做重叠相加，但仍会混叠。

看图路径： 1. 先确认横轴为基频对数轴、纵轴为混响衰减时间对数轴的范围；2. 观察颜色从深到亮随衰减参数变化的整体斜率趋势；3. 对比低频长衰减区域与高频短衰减区域的数值跨度

论文图 3。原论文 Figure 3：“RT60 values across f0, damping (a1), and decay (g) in tKSA (without HP (z) and HD(z)), illustrating their highly cou- pled nature.”。

该散点热图横轴是基频对数轴从 80 到 1280 赫兹，纵轴是混响衰减时间对数轴，颜色表示衰减参数。可见同一组衰减阻尼在低频可长达数十秒，在高频仅数秒，说明延迟长度同时影响衰减，这是后文谱最优传输损失对基频失明的假设解释之一。

多尺度频谱损失 × 谱最优传输损失： 多尺度频谱损失负责逐点比较对数幅度谱，对音色与动态的数值差敏感；谱最优传输损失负责把每帧幅度谱归一化为概率分布，再算沿频率轴搬运能量的 2 次 Wasserstein 代价，对频率偏移给出方向性。搭配理由是前者是垂直距离，后者是水平距离，组合后本应同时约束音色对齐与音高移动，但论文发现两者对起音时刻都缺乏有效方向梯度。

音频损失采用修订版多尺度频谱损失，在 6 个素数窗长下算对数压缩幅度谱的二范数距离，加谱最优传输损失在每帧内算归一化幅度分布的 2 次 Wasserstein 代价。参数损失用匈牙利匹配对齐预测槽位与真值事件，存在性用焦点损失处理类别不平衡，基频用 128 个对数间隔频点的负对数似然，其余用绝对误差，并在前 10 个奈奎斯特以下谐波上用解析混响衰减时间联合监督衰减与阻尼，避免两者独立监督时的耦合困难。

三种训练 regime 如何组织监督与梯度？

总目标是音频损失与参数损失的加权和。只用参数损失时权重只开参数项，在合成数据上学习存在性、起音、基频与音色。只用音频损失时权重只开多尺度与最优传输项，并用外部检测器替代存在性、起音与基频头：基频用微型卷积基频估计器加维特比解码，起音用谱通量加回溯，信号按检测起音切分，每事件基频取置信 voiced 帧的中值。联合训练时两者权重都开，端到端预测全部参数，并进一步做消融，把音频损失到基频头、起音头或两者的梯度 detach，只留参数损失监督被 detach 的头，以定位是谁的梯度在破坏训练。

参数损失 × 音频损失： 参数损失负责在合成数据有真值时直接监督存在性、起音、基频与音色参数，用匈牙利匹配对齐预测集合与真值集合；音频损失负责在无参数真值时比较合成音频与目标音频的频谱。搭配理由是前者给全局最优方向，后者提供真实音色泛化信号，组合的 P 加音频 regime 本意是兼得两者，但实验显示音频损失对起音的坏梯度会拖垮联合训练。

可微起音用直通估计器实现：前向 snap 到最近整数采样放置噪声 burst，反向走连续相位旋转的平滑方向梯度。优化器统一用 AdamW 加梯度裁剪与学习率平台衰减，早停 patience 为 50，混合数据集时按最大尺寸循环使每 epoch 尺寸匹配。需要指出缺项：原文未报告各参数头学习率是否分别调参，也未报告匈牙利匹配代价矩阵中各分量权重与参数损失权重是否同组，复现时只能沿用给出的存在性、起音、基频等七项权重。资源状态方面，本次没有完成可验证的开源仓库可达性检查，因此不声称代码、模型或数据已公开，复现应以论文附录描述的合成生成细节与过滤规则为准。

数据、划分、指标与评价预算如何对齐？

合成数据集是 4 秒单声道片段，每片段含 1 到 10 个拨弦事件，基频恒定在 D1 到 D6 范围，按 Beta 分布采样每事件参数并以 30% 概率 palm mute，每 epoch 重播种 8360 个训练样本，固定 290 个验证样本。真实数据集取 NSynth 原声吉他子集，保留无混响且在 D1 到 D6 范围的样本，重采样为 4 秒 16 千赫单声道，按训练验证测试划分。评价用两个 290 样本测试集：留出合成集与 NSynth 原声吉他测试集。只用音频损失的模型在合成数据上测试时检测器在线运行以镜像训练条件。

评价分 3 类。信号保真用训练同款多尺度损失与最优传输损失，加扭曲梅尔倒谱系数经动态时间规整归一化的绝对距离，以及目标与预测均方根能量包络的余弦相似度。参数与事件重建只在合成集上算：存在概率大于 0.5 的预测槽与真值起音在 25 毫秒窗内匹配，算起音精确率召回率与 F1，音高用匹配事件的音分平均绝对误差，总体参数损失按训练定义。真实集再加核音频距离，分别在 EnCodec 与 CLAP 嵌入空间算分布距离，前者偏低层谱时域保真，后者偏高层语义音色对齐。

梯度分析用方向准确率：损失对预测参数的偏导符号是否指向真值，分全范围均匀初始化的粗粒度与目标附近正负 10% 的细粒度，多事件时报告任一梯度指向目标的 Any 准确率与全部同时指向匈牙利匹配目标的 Joint 准确率。

下表把数据构造的关键条件收拢，便于核对时长、采样率、划分与事件数是否一致，表后解释其对公平比较的意义。

数据集	片段时长	采样率与声道	训练验证测试划分	每片段事件与音域
合成集	4-second	fs=16 kHz 单声道	8360 训练重播种加 290 验证	1–10 pluck events 且 D1–D6
真实集	4-second	16 kHz 单声道	8360 / 930 / 290	D1–D6 无混响原声吉他

上表说明合成与真实在时长音域上对齐，但合成每片段事件数可变且含 palm mute，真实为单音符录音室采样，两者瞬态分布不同，这正是参数损失泛化难的根源。只用合成训练的模型在真实集上 miss 起音，不能归因于时长或采样率不一致，而应归因于瞬态特征与噪声底的域差距。

前端分支	窗长跳距与通道	时间建模	查询与注意力	正则
梅尔谱加可学习卷积	1024-point FFT 加 256-sample hop 加 128 bands	7-block TCN	3 层变换器解码器	dropout p=0.1
32–8000 Hz 对数幅度	4 layers up to 64 channels stride 4	dilations 1 到 64 dmodel=64	8-head N=10 queries	batch norm ReLU

该表把编码器配置收拢，说明感受野与查询槽位留有余量：查询设 10 个而多数样本只有一两个拨弦，时序卷积空洞指数增长到 64 以覆盖长衰减。复现时应先固定该结构再调损失，避免把容量不足误判为损失无效。

监督项	参数损失内权重	音频损失权重	联合训练权重	优化器预算
存在起音基频音色	100 10 2 1 1 0.5	wMSS=0.05 wSOT=1.0	wP=1.0	lr=10−3 batch 32
RT60 联合监督衰减阻尼	focal loss 处理不平衡	log 压缩多尺度	早停 patience 50	clip norm 1.0

该表说明参数损失给存在性最大权重 100，起音 10，基频 2，音色更小，音频损失以最优传输为主。联合训练把两者直接相加，没有额外归一化，这为音频坏梯度淹没参数好梯度留下可能，后文 detach 消融正是检验该假设。

梯度方向与合成恢复的主结果是什么？

单事件梯度分析的核心判断是时域插值梯度与频率采样相当，可作为无混叠替代。作为垂直逐点距离，多尺度损失对音色与动态参数梯度可靠，但对拨弦位置较弱；水平的最优传输损失在多数参数上更弱，对基频近乎失明，论文假设是因为延迟长度同时影响衰减。

唯一的例外是频率采样下起音细粒度达全配置最高，而无混叠时域下近乎失明，论文明确标为伪影解释而非稳健线索：频率采样时间混叠把时移耦合进每帧谱内容，恰被水平损失捕捉，需进一步实验确认。多事件时所有损失的 Joint 起音准确率随事件数增长崩溃，到 5 事件至多百分之几，说明没有音频损失能给出多事件起音的可用梯度。

看图路径： 1. 自上而下确认四个面板标题，区分目标、时域推理、频域推理与频域训练；2. 对比第三个面板基频延续长度与前两个面板的差异；3. 观察最下方训练前向中高频谐波衰减更快且整体持续更短的现象

论文图 4。原论文 Figure 4：“Sound matching on an NSynth acoustic guitar record- ing.”。

从像素看四面板均为横轴 0 到 4 秒、纵轴归一化频率的对数幅度谱。顶层目标在 0 秒有强起音、高频丰富并在约 2 秒衰减完，3 秒处有微弱 palm mute；第二层时域推理延续长度接近目标；第三层频域推理的基频条带拖到 4 秒仍可见，明显过持续；最底层频域训练前向则整体更短、高频衰减更快。论文解释是训练时循环卷积在 214 点截断长衰减，导致模型高估衰减增益低估阻尼，推理用真实缓冲时才暴露过持续，时域则无此分裂，该段为图后解释并衔接下文梯度数字。

下表收拢梯度分析中可逐字验证的关键数字，比较条件是同一单事件目标附近细粒度与多事件联合准确率，指标方向均为越高表示方向越对，单位百分号仅保留在表头，数据格保留原文裸值写法。

场景	时域起音细粒度 (%)	频域起音细粒度 (%)	多事件联合上限 (%)	插值与窗配置
单事件最优传输	14.4	88.8	无	N=5 拉格朗日
多事件起音	不可用	伪影难泛化	4.1 at K=5	NFFT=214 hop 256

该表的主要收益是区分真能力与伪影：频域 88.8 看似最好，但对应时域 14.4 近乎随机，且多事件联合上限仅 4.1，说明单事件优势未延续到真实序列。代价是不能把该单点胜利推广为起音可用，联合训练必须 detach 起音头或改用外部检测器。未胜出项是多尺度损失在单事件起音约 50 上下，同样不可用，该段为表后差异解释并说明训练取舍。

下表用解析混响衰减时间的耦合例子说明为何独立监督衰减阻尼是困难的，条件是同一合成器去掉激励滤波后的计算值，数值与单位同格写在一起以便重放。

参数组合	低频混响时间	高频混响时间	梯度协议	目标配置
g=0.999 a1=0.001	86.26s at f0 = 80 Hz	4.5s at f0 = 1280 Hz	CGA 250 全范围	110 Hz, 2 s, 0.2, 0.99, 0.25, 0.9
联合监督	log 域平衡长短衰减	前 10 谐波	FGA 250 正负 10%	p gain dyn 0.25 0.9

该表支持用解析混响时间联合监督衰减阻尼的设计：同一参数在不同基频下衰减差一个数量级以上，独立监督易被耦合误导，原文粘连复写 0.90.9 处本表只保留其中一份 0.9 以避免复写。限制是该计算不含拨弦位置与力度滤波，真实重建仍需完整链路，该段为表后边界解释并回扣联合监督动机。

拿掉音频到起音与基频的梯度会发生什么？

合成参数恢复的消融围绕联合模型展开。完整联合训练在合成集上事件 F1 接近零，均方根包络相似度低，说明音频坏梯度已破坏参数好梯度。把音频到基频的梯度 detach 后音分误差有所改善但事件仍差；把音频到起音的梯度 detach 后事件与包络大幅回升；两者都 detach 后接近只用参数损失的水平。

时域与频域趋势一致，但相同时钟下时域略好，论文假设主因是频率采样的时间混叠进一步恶化，只用音频损失且起音基频相同时域频域的差距隔离了混叠效应。只用参数损失在合成集上总体最好，除音色外还得益于混响时间重参数化。只用音频损失加外部检测器在合成集上起音召回低于只用参数损失，音分误差被八度错拉高，说明外部检测器并非完美。

真实乐器建模的消融把联合模型改在混合合成加真实数据上训练，只用音频损失在真实数据上训练，只用参数损失保持合成训练不变，另加谐波加噪声基线。完整联合在真实集上包络相似度极低、分布距离极大，detach 起音后回升，detach 两者后进一步改善，但仍不及只用音频损失的时域模型。谐波加噪声在多数指标上最好，反映单反馈环既无琴体共振也无手弦与弦品交互，结构上限低于通用谐振加噪声拟合。例外是 CLAP 感知距离上时域只用音频损失超过两个基线，论文假设源于 Karplus-Strong 对尖锐瞬态的自然建模，但明确承认未做正式听音测试，需听附带音频例子验证。

哪些边界未被评测，哪些推论只是假设？

论文直接报告的是梯度方向准确率、合成事件与参数误差、真实集信号保真与分布距离。有限解释包括最优传输对基频失明归因于延迟影响衰减、频域起音优势归因于时间混叠伪影、时域优于频域归因于混叠截断长衰减，这些都用了假设或待验证措辞，未做因果干预实验。

未验证推测包括用真实噪声底与随机全通相位失真增强合成数据、用有限差分时域模型做更高保真监督、训练时频联合最优传输同时解决起音与基频，这些在结论中作为未来工作提出，没有给出新实验。未评测边界很明确：只做单声道拨弦吉他、无揉弦滑音假设、多事件至多 10 个、查询槽固定 10 个、真实集只用 NSynth 原声吉他子集。误判率、延迟、推理开销与输出帧率未系统测量，不能承诺实时性或部署成本改善。

训练用 A100 但未报告总时长与显存，推理帧率与实际延迟分开讨论的证据不足。相关性不等于因果：包络相似度低与起音梯度差同时出现，不能直接断言前者完全由后者引起，detach 消融支持但未排除基频坏梯度的交互。

复现应先固定什么，再跑什么对照？

先固定数据构造：合成按 4 秒 16 千赫、每片段事件数、Beta 采样与 palm mute 概率生成，真实按无混响 D1 到 D6 过滤并按给定划分切分，避免用不同音域或混响条件比较。再固定编码器：梅尔滤波器组与可学习卷积双前端、时序卷积空洞与维度、变换器层数头数与丢弃率、查询数 10，以消除容量混杂。然后固定损失权重：参数七项权重、音频两项权重、联合时参数权重，以及多尺度 6 个素数窗长与对数压缩形式。

梯度分析复现建议先跑单事件粗细粒度方向准确率，再跑多事件 Any 与 Joint，确认音频损失对起音无用后再跑联合训练，避免直接端到端浪费预算。合成恢复复现应包含 4 个可运行策略：只用参数损失、只用音频损失加外部检测器、联合、联合 detach 起音与基频，缺一不可，不能用搜索最优或事后最优代替可部署收益。频率采样复现需固定快速傅里叶变换长度与跳距并同时保存训练前向与推理缓冲渲染，以便复现时间混叠导致过持续的分裂现象。

论文给出合成生成与过滤代码链接，但本次未做可达性验证，不应视为已公开承诺，复现缺项应记录为待补：匹配代价权重、Beta 分布具体参数、外部检测器阈值细节。

何时值得尝试这种可微物理弦，何时选谐波加噪声？

当目标是得到可解释的弦参数、自然瞬态与事件结构，且能接受重建保真度略低时，值得尝试时域可微 Karplus-Strong 加外部检测器加音频损失：外部检测器隔离起音与基频，只让音频损失优化音色，避免坏梯度污染。当目标是最大化重建保真度、覆盖琴体与演奏交互，或处理混响与多音复调时，应选谐波加噪声或更全面的物理模型，本文的单环结构明确不够。教学上最易误解的是把频域单事件起音高分当成起音已解决，实际上那是混叠伪影，多事件联合准确率已证伪其泛化。

另一误解是把参数损失在合成集最好当成可直接部署，实际上卷积过拟合合成瞬态，在真实集频繁漏检与基频飘移。收束判断是时域拉格朗日插值是可微物理建模中无伪影的可用替代，起音与基频的音频损失设计仍是开放难题，时频联合最优传输与更高保真物理仿真是自然下一步。