英文题目：ChoraleWind: An Expressive Wind-Quartet Dataset for End-to-End Rendering from the Neues Th¨uringer Choralbuch
会议身份：
conference:icmc:2026:conference-paper-id:paper-152
✅ 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。
标签：#数据集 #数据集构建 #端到端 #音乐 #音乐生成
评分：5.9/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 0.6/1.5 | 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 1.0/1.5
排名：前50% | 文档类型：数据集与基准
👥 作者与机构
- Axel Berndt：机构信息未能从会议 PDF 纯文本可靠映射
- Aida Amiryan-Stein：机构信息未能从会议 PDF 纯文本可靠映射
- Manuel Peters：机构信息未能从会议 PDF 纯文本可靠映射
- Meinard M¨uller：机构信息未能从会议 PDF 纯文本可靠映射
- Stefan Balke：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
该工作处理由新图林根众赞歌集四声部MEI乐谱到管乐四重奏音频的端到端渲染，输入为311首众赞歌的高质量双谱表编码，输出为分声部干声与合奏混音，难点在于管乐标注数据稀缺、真实录音串音严重且表情与音色难以可控复现。渲染链条分三步：符号预处理将上下谱表双层结构拆为高、中、次、低四个独立声部并展开反复、修复断裂小节与呼吸标记，其输出的逐声部编码进入基于规则的表情建模。表情建模生成速度、力度与发音曲线并导出为表情化MIDI，再驱动基于物理建模的合成器逐声部合成干声以保证音符标注对齐。在全库语料场景下，“Herr, du hast alles, Himmel und Erden”的速度指标为207.55 bpm，高于全库平均的速度指标90.13 bpm。与纯数据驱动合成相比，该机制差异在于用显式节拍重音、乐句呼吸与人性化随机直接控制演奏，使结果透明可复现，但声学丰富度受限于默认合成器音色。其适用边界限于同质性高的众赞歌管乐四重奏与干声可控评测，浪漫派长线条与真实录音质感的外推尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 数据相关资源：https://audiolabs-erlangen.de/resources/MIR/ — 链接不可用（HTTP 403）
- 第三方资源：https://github.com/axelberndt/ — 链接可访问（HTTP 200）
- 第三方资源：https://openmusic.academy/revs/ — 链接可访问（HTTP 200）
- 第三方资源：https://music-encoding.org/ — 链接可访问（HTTP 200）
- 第三方资源：https://audiomodeling.com/swam-engine/ → https://audiomodeling.com/products — 链接可访问（HTTP 200）
- 第三方资源：https://www.reaper.fm/ — 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，输出是什么，为什么管乐比钢琴更缺数据？
这篇论文的输入是纸面圣咏乐谱的结构化编码，目标输出是可直接用于训练和评测的管乐四重奏多轨音频加对齐标注。研究对象是新图林根圣咏集里的 311 首四部圣咏，每个样本都有女高音、女低音、男高音、男低音 4 个声部。对研究生来说，先要建立的直觉是，谱到音频不是 1 次波形生成，而是乐谱理解、表情决策、乐器发声 3 段任务的串联，任何一段不可控都会让最后的评测失去对照意义。
论文开场交代的约束必须保留：作者明确不追求纯数据驱动的最优音质，而是要一个透明可复现的基准环境。也就是说，好听不是第一目标，可核对、可重跑、可做受控比较才是第一目标。这个定位决定了后文所有选择，包括用规则而不用神经网络做表情，用物理建模而不用采样库做音色，以及故意提供不加混响的干声。
管乐比钢琴更缺数据的原因在文中讲得很具体。钢琴有大量带精确力度的录音和自动标注，而管乐合奏往往声部串音严重，乐器组合杂，分轨隔离困难，录制需要职业乐手和录音棚，难以扩大规模。已有例子如巴赫 10 首的小规模录音、44 首的 URMP 约 1.2 小时多轨、10 首圣咏的 ChoraleBricks 真实录音，都说明真实管乐数据的规模和一致性有限。合成数据的价值因此不是替代真实录音，而是提供无录制约束、可大规模生成、自带精确标注的对照条件，特别适合乐谱到音频、声源分离和转谱等需要严格对齐的任务。
同输入同目标的前人做了什么，本文站在哪条路线上？
如果按输入输出和监督方式划分，前人有两条路线。第一条是真实录音路线，输入是乐手演奏，输出是话筒录音加后期对齐，监督来自人工标注或乐谱对齐，代表是 Bach10、URMP、ChoraleBricks、贝多芬无混响管弦录音和 Spheres 等多轨管弦数据。这条路线的优点是音色真实，缺点是成本高、规模小、串音和对齐误差难以消除，难以做大规模受控实验。
第二条是合成扩展路线，输入是符号乐谱，输出是合成器渲染的音频，监督直接来自生成过程因此天然精确，代表是 EnsembleSet、SynthSOD 和 CocoChorales。论文引用这类工作说明合成四部合奏数据可以在转谱和分离等下游任务上带来提升，尤其在真实数据稀缺的乐器上。ChoraleWind 明确属于第二条路线，但与通用合成集的区别在于它只聚焦圣咏四重奏这一种体裁和编制，把表情规则和管乐发声习惯做深，而不是追求乐器大而全。
在表情建模内部又有规则系统和数据驱动系统的分野。规则系统用显式规则根据乐谱结构塑造速度和力度曲线，例如识别乐句边界再做渐慢，优点是可解释可复现。数据驱动系统从真实演奏中学习风格，优点是更灵活但需要大量演奏数据且失去显式控制。论文选择规则路线，理由写得很直接：圣咏场景合适且没有足够的真实管乐演奏可供训练，类似 KTH 规则系统的思路更适合做出可复现的渲染。这个选择不是对数据驱动的否定，而是信息条件不足时的务实取舍。
要解决的具体问题是什么，不解决什么？
具体问题可以复述为：给定一首四部圣咏的乐谱编码，如何端到端地生成 4 个声部分离的、有表情的管乐四重奏音频，并且同时给出乐谱、表演参数和音频之间逐音符对齐的标注，使得后人可以在完全受控条件下训练和评测谱到音频方法。输入的起点是高质量 MEI 编码，中间要经过声部分离、重复展开、换气处理和表情渲染，终点是分轨音频和合奏混音。
论文不解决的问题也要说清。它不解决通用任意风格的表情生成，不解决歌词驱动的情感着色，不解决长程多乐句的大结构布局，也不解决混响和空间感的真实感建模。作者把混响故意留白，把合成器参数保持默认，把长笛小号等音色差异交给物理建模引擎的默认行为，这些都是为了保住可复现性而主动收缩的问题边界。初学者容易误以为数据越大音质越好，这里要纠正：该数据集的大是组合数量大和标注完整，而不是录音棚真实感大。
端到端链路如何走通：从一首圣咏到四轨波形？
先沿一个样本走完全程。拿圣咏 Jesu, geh voran 为例，它的原始印刷版是两行谱表，高音谱表同时放女高音和女低音，低音谱表同时放男高音和男低音。第一步把两行谱表拆成 4 个独立声部，每个声部成为独立的 MIDI 轨道，顺序固定为自上而下女高音、女低音、男高音、男低音。第二步根据换气记号和全声部休止切分乐句，为每个乐句定基准速度和基准力度，再生成句尾渐慢减弱和拍点重音。第三步把这些意图写成 MPM 文件并导出为带表情的 MIDI，最后把 4 个声部的 MIDI 分别送给 16 种管乐器的物理建模合成器，得到隔离分轨，再按声部组合成合奏。
下面这张总览图把上述 3 段画成一条直线，是理解全文的骨架，读的时候先看主路径再看中间表示的作用。
看图路径： 1. 先从左侧四色谱例框沿箭头看到中间表演后符号表示再到右侧四轨波形；2. 核对左侧声部标签 S、A、T、B 与右侧四条波形的颜色对应关系；3. 观察中间框标注的 MPM 与 MIDI 确认意图层和执行层的位置；4. 注意右侧波形横轴 0 到 5 秒的包络起伏与左侧乐句分段的对应
论文图 2。原论文 Figure 2：“Overview of the rendering pipeline. Starting from the MEI encodings of the SATB chorales, MIDI data is extracted and passed to the performance model.”。
这张图从左到右依次是四色谱例框、基于规则的表演渲染、中间的已表演符号表示、音频合成、4 种乐器图标加 4 条波形。它的教学价值在于把容易混淆的两个中间产物分开：中间框里的 MPM 和 MIDI 是符号层面的表演结果，还不是声音，右侧波形才是声音。左侧橙红绿蓝四框与右侧 4 条波形的颜色对应，说明声部在全链路中始终独立，合奏只是最后的组合操作。横轴 0 到 5 秒的波形包络起伏对应乐句的强弱变化，纵轴是归一化振幅，不是力度值本身，力度的影响要通过包络和音色间接体现。
符号端做了哪些脏活：MEI 预处理如何保证可演奏？
白话先讲术语。MEI 编码全称是音乐编码倡议定义的一种 XML 乐谱格式，它把调号、拍号、谱表、音符、休止和记号都写成带编号的元素，优点是每个音符都可寻址。MIDI 是合成器能读的演奏指令，只保留何时发声、发多高、发多响和发多长。MEI 到 MIDI 的转换因此不是简单格式转换，而是 1 次可演奏化整理。
MEI 编码 × MIDI 序列： MEI 编码负责保留乐谱的调号、拍号、声部、音高时值和乐句记号等可编辑的结构信息，MIDI 序列负责给出合成器能直接执行的音高、开始结束时间和力度，搭配理由是规则表情模型需要先读懂结构再改写执行参数，组合后新增的作用是每个音符都可回溯到乐谱位置又可被合成器精确发声。
预处理包含 6 个具体动作。第一是声部分离，把原来两行谱表改写为四行独立谱表定义，并把原来的声层元素重新挂到 4 个谱表下，保证转 MIDI 时恰好生成 4 个轨道。第二是补编号，检查所有小节、谱表、音符和记号是否带编号，缺失就补，保证后文规则能定位到每个对象。第三是把印刷版的换气记号从 caesura 改名为 breath，语义从通用的停顿变为明确的换气，为后文统一处理呼吸提供钩子。
第四是补换气，在重复结束记号前的小节末尾插入缺失的换气元素，因为这些位置按体裁一定是乐句结尾，不补就会漏切乐句。第五是展开重复，把反复记号展开为直通式长谱并给复制元素分配新编号，保证演奏时长与乐谱反复一致。第六是修复断裂小节，抑制因反复记号切开小节而产生的虚假拍号变化，避免表演模型误把切分小节当成换拍子来加重音。
数据集为每首圣咏提供 5 种符号产物：原始两谱表 MEI、预处理后四谱表 MEI、记录表演参数的 MPM、作为 MEI 到 MIDI 中间表示的 MSM、最终带表情的演奏 MIDI，外加在 MEI 音符上回填的力度和毫秒级起止时间。这种冗余不是重复，而是让不同研究可以直接从自己需要的那一层切入。
表情规则如何把乐句变成速度和力度曲线？
表演渲染的核心是把乐谱结构翻译成时间和力度的连续控制。作者把决定放在 MPM 层，用贝塞尔函数表示连续的速度和力度轨迹，再由 meico 框架的编程接口渲染为表情 MIDI。这样做的好处是意图可视可改，执行可播可训。
MPM 描述 × 表情 MIDI： MPM 描述负责用连续贝塞尔函数记录速度、力度和 articulation 的音乐意图，表情 MIDI 负责把这些连续意图采样为带时间偏移和力度变化的离散事件，搭配理由是意图层可解释可修改而执行层可被合成器读取，组合后新增的作用是同一首圣咏可以保留意图复现或只分发 MIDI 做训练。
下面这张乐句机制图是全篇最值得精读的一张，它把同一首圣咏的谱面分句和生成的两条曲线上下对齐，初学者可以按乐句逐段核对。
看图路径： 1. 先看顶部四行谱表上方红色括号标出的六个乐句划分；2. 再看红色竖条标出的全声部休止与换气位置如何切断乐句；3. 对照下方 MIDI 力度曲线在每个乐句尾部的下垂形态；4. 对照最下方速度曲线在句尾的下探与新句起点跳变的形态
论文图 4。原论文 Figure 4：“Phrasing mechanism of the performance model illustrated based on the chorale “Jesu, geh voran” by Adam Drese and its harmonization by Rudolf Mauersberger.”。
这张图顶部是四行分谱，上方红色括号标出 6 个乐句，红色竖条标出全声部休止和换气位置，恰好落在每个括号的右端，说明切分依据是全体同时可换气处。下方两条曲线分别是 MIDI 力度和速度随小节时间的变化。力度曲线在每个乐句内部先维持后下垂，句尾降到基准的约 70%，新句开始跳回基准附近。速度曲线在句尾出现明显的下探形成渐慢，新句起点跳变到新的基准速度。注意速度纵轴是每分钟拍数，力度纵轴是 0 到 127 的 MIDI 力度值，两者量纲不同不能直接比较斜率。
最后一句的速度起点明显高于前几句，对应文本中按乐句长度定基准速度加随机偏移的机制，长句无换气会导致基准速度偏高。
呼吸乐句 × 速度力度曲线： 呼吸乐句负责根据全声部休止和换气记号切分乐句边界，速度力度曲线负责在句尾做渐慢减弱和在新句恢复基准值，搭配理由是管乐和歌唱共用一口气的生理约束，组合后新增的作用是长短不一的圣咏能自动得到不同的基准速度和一致的句尾手势。
具体规则按证据可分为 6 组。发音法先把 MEI 中的记号装入各声部的映射表再合并为全局表，换气对全声部生效并把音符缩短 200 毫秒以留出呼吸口。节拍重音为常见拍号写标准模式，为弱起小节写特殊模式，为其他情况写回退模式，无拍号则不加重音，无小节线或只有助记线时把重音缩放到一半。基准速度按平均乐句长度推导，假设一口气约 4.3 秒，多数圣咏适用但短句过多或全曲无换气的极端样本会算出过慢或过快速度。
基准力度取 100 并在每句加减 5 以内的均匀扰动，基准速度每句加减 3 以内的布朗型相关扰动以避免突变。乐句内部句尾减弱渐慢，不可靠的全声部休止要过滤掉过短和非全声部的休止。最后是随机人性化，起音、力度和时值分别用补偿三角、高斯和非相关三角分布按声部独立扰动，超出范围时做非线性压缩以保住相对强弱结构。
没有神经网络训练时，真正的计算发生在哪里？
本研究没有训练任何神经网络模型，因此不存在梯度、优化器、训练轮数和权重更新。把无训练等同于确定性求解是误解，因为规则模型中仍有随机人性化和每句随机偏移，每次渲染的微观时值和力度会有差异，但规则结构和参数是冻结的，整体风格可复现。
规则表演模型 × 物理建模合成： 规则表演模型负责决定何时快慢、何处强弱和何处换气，物理建模合成负责决定长笛小号等乐器在给定音高力度下发出什么音色，搭配理由是前者解决音乐合理性而后者解决发声可控性，组合后新增的作用是在无真实演奏数据时仍能批量生成带精确标注的多轨音频。
真正的计算是 3 段确定性加受控随机的构造过程。第一段是符号构造，用 meico 转换器做声部分离、编号补齐、换气改名与补齐、重复展开和断裂小节修复，输出可演奏的 MEI 和 MSM。第二段是规则推理，根据拍号、小节线类型、乐句长度和换气位置计算重音、基准速度力度、句尾手势和随机扰动，输出 MPM 再导出为表情 MIDI，速度力度在音符起点采样并在音符内保持。第 3 段是合成执行，把表情 MIDI 按声部分轨送入商用物理建模管乐引擎，在 Reaper 工程中按乐器分轨批量渲染，合成器参数保持默认，调音频率固定为 442 赫兹，不加混响以保证标注与波形严格对齐。
需要指出的缺项是，论文未报告随机种子的固定方式和多次渲染的方差，也未报告不同合成器对力度映射差异的系统标定，只提示可按合成器调整重音缩放系数。复现时应先固定随机种子或多次采样取分布，而不是只跑 1 次就当作 ground truth。
合成实验的条件是什么：乐器、时长与运行预算？
合成端用商用物理建模管乐引擎以音频插件形式加载到 Reaper 数字音频工作站，每个乐器占一个轨道，全流程用 Reaper 的 Lua 脚本自动化，无需额外配置即可在软件内直接执行。与采样合成器相比，物理建模占用内存少且音色调节更灵活，但作者为保可复现性把所有合成器参数留在默认且不加混响。干声选择是故意的：混响会抹平起音、削弱符号标注与音频的对应，因此先提供干声，用户可按需自行添加混响和声像。
干声分轨 × 混音组合： 干声分轨负责提供无混响无声像的单一声部单乐器录音以保证标注与波形严格对齐，混音组合负责按女高音男低音声部从 16 种乐器中挑选搭配形成四重奏，搭配理由是研究需要先保证对齐精度再按需添加空间效果，组合后新增的作用是同一批分轨可派生出大量可控的合奏配置用于对照实验。
乐器到声部的映射按可演奏音域和作者实践经验确定。女高音可用长笛、双簧管、高音萨克斯、单簧管、富鲁格号、小号等 7 种，女低音可用中音萨克斯、单簧管、富鲁格号、小号、英国管、次中音萨克斯等 6 种，男高音和男低音各 7 种，16 种乐器共渲染 27 条分轨逻辑。单一声器单一声部约 3 小时音频，全部声部和乐器合计约 86 小时隔离音轨，311 首圣咏理论上可组合出约 640,000 种四重奏配置。十首与 ChoraleBricks 相同的圣咏还提供可用网页播放器试听的多轨版本，文件夹和命名与 ChoraleBricks 一致以便用同一工具采样合奏。
下表把规模数字放在同一视野下核对，读表时先确认每格数字的统计对象是首数、轨数还是小时数，不要把分轨时长与合奏时长混为一谈。
| 数据规模项目 | 圣咏首数 | 乐器种类 | 每首分轨数 | 隔离音频总量 | 理论合奏组合数 |
|---|---|---|---|---|---|
| 全库圣咏四重奏 | 311 首 | 16 种 | 27 条 | 86 小时 | 640,000 种 |
上表把论文分散在摘要、方法和统计节的规模陈述收拢，关键收益是分轨与合奏解耦带来的组合爆炸：只需渲染 1 次分轨就能按声部自由组合，代价是存储和分发压力大，因此论文同时提供完整下载和十首在线试听两种获取路径。未胜出的边界是真实感：合成无法达到真实录音的音色丰富度，作者明确把它定位为对照基准而非替代录音。
运行预算按原文交代，在一台 AMD Ryzen AI 5 Pro 处理器加 32 GB 内存的笔记本上执行完整合成流水线约 90 分钟。Reaper 工程文件和 Lua 脚本随附在官方网站，未来可替换为其他乐器专用合成或免费 SoundFont 方案，但作者提示初步试验的 SoundFont 效果参差，需要自行验证。
数据长什么样：音高、速度、调号和拍号的分布支持什么判断？
统计节回答的是数据是否覆盖管乐常用音区和调性，是否适合作为训练和评测材料。音高直方图显示 4 个声部各有特征音区但在边界重叠，最低音出现在男低音的 C2，最高音出现在女高音的 E5，这种重叠对声部分离和转谱是合理的难度来源。速度分布直接取自 MPM 速度图的元数据，最慢 34.23 拍出现在短句密集的圣咏，最快 207.55 拍出现在长段无换气的圣咏，平均 90.13 拍，说明按呼吸周期推导基准速度的规则在极端样本上会产生离群值，但整体落在管乐可演奏区间。
下面两张分布图要连起来读，前者看音区与速度的连续分布，后者看调号拍号的离散分布。
看图路径： 1. 先看上面板四种颜色直方图各自的集中区间与边界重叠区；2. 核对图例中四个声部的最小最大音标注与横轴 C2 到 C5 的对应；3. 再看下面板速度直方图主峰在 90bpm 附近与右侧长尾的分布；4. 核对右上角文本框中最小值、最大值和平均值的标注
论文图 5。原论文 Figure 5：“Histograms of (a) the musical pitches for the four parts (SATB) and (b) the overall tempi of the chorales.”。
这张图上面板横轴是 MIDI 音高，纵轴是音符事件数，4 种颜色分别代表 4 个声部。黄色女高音集中在高音区，红色女低音和绿色男高音在中音区交叠，蓝色男低音在低音区形成独立峰。图例标注的每个声部最小最大音界定了合成时必须覆盖的音域，也是检查乐器音域映射是否合理的依据。下面板横轴是速度，纵轴是圣咏首数，主峰在 80 到 100 拍之间，右侧拖出到 200 拍的长尾，右上角文本框给出最小、最大和平均 3 个汇总数。读图时不要把长尾当成主流，也不要把末端一两首的极端速度推广为全库特征。
看图路径： 1. 先看左图调号条形从 F 大调 59 首向下递减到降 B 大调 11 首的排序；2. 注意左图底部 Other 聚合 46 首表示的长尾调式；3. 再看右图拍号条形中 4/4 为 116 首的主导地位与 div. 红色条的位置；4. 展开右图红色放大框观察拍号变化次数 1 到 15 的内部构成
论文图 6。原论文 Figure 6：“Distribution of key and time signatures in the dataset.”。
这张图左图是前十调号的条形，横轴是圣咏首数，F 大调 59 首最多，D 大调 49 首、G 大调 40 首随后，Other 聚合 46 首表示剩余小调和教会调式的长尾。右图是拍号条形，4/4 以 116 首占约 37% 居首，2/2 以 45 首、6/4 以 44 首随后，红色 div. 条表示 40 首存在拍号变化，None 表示 11 首无拍号。红色放大框进一步拆解拍号变化次数的内部构成。结合文本，255 首约 82% 落在至多 3 个升降号的调内，特别适合管乐演奏，这是支持该数据集实用性的关键判断。限制是约 13% 的变拍号样本多因现代记谱转写引入，并非原始演奏的频繁换拍子，使用时要区分记谱产物和音乐本质。
下表把表情规则的关键参数收拢，便于复现时逐项核对，读表时注意百分比的基准是每句的基准值而非全曲固定值。
| 规则模块 | 基准取值 | 句内变化 | 随机扰动 | 边界处理 |
|---|---|---|---|---|
| 换气与发音 | 200 毫秒 | 缩短时值留呼吸口 | 分声部独立人性化 | 全声部同时换气 |
上表的主要收益是所有参数都有明确默认值和作用位置，复现时可直接照搬。代价是速度力度在音符起点采样后保持不变，缺乏音符内部的连续起伏，作者在展望中承认这是未来可用连续轮廓改进的方向。未评测的边界是歌词缺失导致无法利用文本做情感着色，长程多乐句结构也尚未建模。
哪些条件会让规则失效：离群样本与记谱陷阱？
论文没有神经网络消融，但提供了等价的失败条件分析，初学者应把它当作消融来读。第一类是乐句切分失效：有的圣咏只在旋律声部写休止而其他声部继续进行，有的休止短于一拍，有的一整首无换气记号。若不加过滤，全声部休止不可靠会导致误切或漏切，作者的对策是忽略过短休止、要求全声部同时静默、并在重复结束前强制补换气。第二类是基准速度离群：短句密集样本按 4.3 秒呼吸周期会算出过慢速度，长段无换气样本会算出过快速度，文本点名的最慢和最快两首就是具体反例，说明平均句长假设在长尾上不成立。
第三类是拍号与小节线陷阱。断裂小节会让模型误以为换了拍子而施加错误的重音模式，无拍号样本应关闭重音，助记线只给一半重音强度。第四类是合成器差异：不同引擎对力度的解释不同，重音的正负 16 和正负 8 力度单位需要按合成器调整，否则同一 MIDI 在不同引擎上听感不一致。这些条件共同说明，规则系统的可复现性依赖于预处理是否做干净，复现时若跳过重复展开或断裂小节修复，会得到系统性偏差而非随机误差。
合成数据的边界在哪里，什么结论不能下？
作者在结论和应用节明确了 3 层边界。第一层是音色边界：物理建模在音色、发音和调制的多样性上仍不及真实录音，不能把在合成数据上训出的转谱或分离模型直接宣称为在真实管乐上同样有效，与 ChoraleBricks 十首真实录音的对照正是为检验这一差距而保留的接口。
第二层是表情边界：当前速度力度轮廓在音符起点采样后保持不变，没有音符内部的连续变化，也没有基于歌词的时机和情感处理，更没有跨多乐句的长程布局，因此不能承诺其表情已覆盖真实合奏的全部策略。第 3 层是空间边界：分轨故意不加混响和声像，标注精度优先于听感真实感，任何关于合奏空间感或厅堂适应的结论都需要用户自行添加混响后另行验证。
相关性不等于因果的提醒也适用：调号集中在少升降号、拍号以 4/4 为主，这些分布特征支持适合管乐演奏的判断，但不能反推管乐作品就该如此分布。训练资源、推理开销和实际延迟要分开讨论：论文只报告合成耗时约 90 分钟，未报告实时因子、内存峰值和不同乐器配置下的渲染差异，不能承诺其可实时部署。
复现先做什么，需要哪些文件和什么顺序？
复现的第一步是拿到符号源和工具链。符号源是 Neues Thüringer Choralbuch 的数字化 MEI 版本，工具是 meico 转换器框架及其 MPM 编程接口，合成端需要商用物理建模管乐引擎和 Reaper。官方数据集网站在本次核验中返回 403 不可用，因此当前不能写已公开可下载，只能写链接当前不可用，需要读者自行确认后续可达性。第三方工具如音乐编码倡议文档、物理建模引擎官网和 Reaper 官网在本次核验中可达，可用于理解格式和搭建合成环境。
第二步按顺序执行预处理、表情渲染和合成。预处理先做声部分离和编号补齐，再做换气改名与补齐、重复展开和断裂小节修复，输出四谱表 MEI 和 MSM。表情渲染先定重音模式和基准速度力度，再定乐句切分和句尾手势，最后加人性化扰动并做越界压缩，输出 MPM 和表情 MIDI，同时回填 MEI 音符的力度和毫秒级起止时间。合成时保持引擎默认参数、调音 442 赫兹、干声导出，用 Lua 脚本批量渲染 27 条分轨，再按 7 种女高音、6 种女低音、7 种男高音、7 种男低音的组合关系混音。
第三步做核对而非只听感。核对每首的声部轨道顺序是否为女高音、女低音、男高音、男低音，核对重复是否展开为直通时长，核对换气位置是否在全声部同时出现，核对速度力度极值是否落在 34.23 到 207.55 拍和 0 到 127 力度范围内。若发现某首速度异常，先检查其乐句长度和换气缺失，而不是直接调合成器。
何时值得尝试这个数据集，还需补哪项验证？
当你的任务需要严格对齐的管乐四重奏数据，且真实录音不足或串音太大时，值得尝试。例如谱到音频的基线建模、表情 MIDI 生成、音色建模的受控比较、乐器级的音频乐谱对齐，以及转谱模型在多乐器条件下的压力测试。它的模块化设计允许只取 MEI 做符号分析，只取 MPM 做表情建模，或只取 MIDI 加分轨做声学建模，十首与真实录音重合的圣咏则提供了合成到真实的直接比较点。
还需补的验证取决于你的宣称。若宣称音质提升，需要加听感评测而非只看自动指标；若宣称对齐改进，需要报告分乐器的对齐误差而非总体平均；若宣称转谱泛化，需要在 URMP 或 ChoraleBricks 真实录音上复测而非只在合成集内划分。未来工作在论文中已有提示：引入歌词信息、建模长程乐句、输出音符内部连续轮廓，以及尝试可微分数字信号处理或扩散模型从乐谱直接合成管乐音色。对刚入门的研究生，最稳妥的起点是先复跑一首圣咏的全链路并画出自己的速度力度曲线，再谈大规模训练。
📐 原文公式与排版
以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。
另有 13 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。
⚖️ 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