Composer-in-the-Loop Generation of Motivic Variants Using State-Space Models and Preference Learning

英文题目：Composer-in-the-Loop Generation of Motivic Variants Using State-Space Models and Preference Learning

会议身份：conference:icmc:2026:conference-paper-id:paper-574

✅ 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：#软件工具 #偏好优化 #状态空间模型 #音乐 #符号音乐生成

评分：5.2/10 | 创新 1.2/2 | 技术严谨 0.9/1.5 | 实验充分 0.3/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.2/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：后50% | 文档类型：系统技术报告

👥 作者与机构

Rodrigo Cadiz：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作处理符号动机变奏任务，输入为作曲家以ABC记谱法给出的包含音高、节奏、发音与力度的单声部动机，输出为保留身份又具差异的多个变体，难点在于同时控制四维表情并适配个人审美而无需大规模语料。动机编码将事件映射为音程、对数时值、发音门限与响度的参考轨迹，其输出进入卡尔曼启发采样器叠加高斯扰动以生成连续变形，离散编辑层再执行分裂与合并以改变节奏密度，最后由表情推导与偏好学习将连续量转为连线、强弱发夹与重音并用选择信号收紧方差。与依赖大规模语料建模音高与时值的深度生成模型相比，该机制差异在于以参考轨迹加可控不确定性分离结构与创意，并把神经网络限定为方差控制器，其实质意义在于保持作者控制与可解释的交互作曲。在浏览器变体浏览任务设置下，当前展示序号的数量指标为3，低于总变体池容量的数量指标10。原文未提供可核对的关键定量结果，验证仅为浏览器界面演示与定性讨论，未见基线、消融或用户评分。其适用边界受限于单声部短动机、无和声与复调建模，表情映射依赖启发式规则，外推至长结构与非西方音乐尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

演示资源：https://rodrigocadiz.github.io/software/state-space-composer → https://rodrigocadiz.github.io/software/state-space-composer/ — 链接可访问（HTTP 200）
第三方资源：https://abcnotation.com/wiki/abc:standard:v2.1 — 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：为何表情完备的动机变奏难做？

本文的输入是一个作曲家预先写好的短动机，不是大规模语料库。这个动机是表情完备的，即同时带有音高、节奏、断连方式与力度，论文强调带断连与渐强的旋律与只有音高时值开关事件列表的旋律是质上不同的音乐对象。目标是从这一个动机出发，生成一批保持可辨认身份但在 4 个维度上都有受控变化的变体，供作曲家试听、挑选、排序并拼接成更大结构。输出是常规符号记谱与可播放音频，包括音高、时值、力度记号、断连、连句与渐强渐弱发夹，并能导出拼接后的乐段。

对刚入门的研究生，白话先行：动机就是短而有特征的乐思，变奏就是让它变而不丢；状态空间就是把每个音符时刻的音乐参数看成一个向量随时间走出的轨迹；偏好学习就是不学别人的风格，只从你选哪个变体更好来调整变化幅度。必须保留的信息是系统零外部数据、浏览器本地运行、学习只改变化幅度与结构编辑概率而不改参考动机本身。

难点在于两处。第一，主流符号音乐生成依赖在数千首乐谱上训练的深层网络，学的是聚合风格，难以做个人化、即时响应的工具，且绝大多数只处理 MIDI 层面的音高与时值，把表情当事后附加。第二，变奏要求在保持感知身份与引入变换之间平衡，规则变换与马尔可夫过程可解释但缺表情细腻度，贝叶斯优化与演化计算承认审美主观性但多建在不透明隐空间上。本文因此把问题框为不确定性下的控制：参考轨迹给定结构，随机扰动给定创作余地，神经网络只调扰动宽度。

同输入同目标的前人路线与本文取舍有何不同？

若按同输入、同目标、同监督、同运行阶段来对照，前人可分三支。第一支是基于大语料的符号生成，如引用中的多音轨对抗网络与序列约束生成，它们输入是大量乐谱、目标是风格化续写或伴奏、监督来自外部数据、运行在离线训练加推理。本文输入只有一个动机，监督来自作曲家本人的选择，运行在浏览器实时交互，因此不与它们拼数据规模下的音高预测分数，而是强调零预存数据即可用。把类别差异当同条件胜负是常见误解，本文的贡献不在刷榜而在换工作流。

第二支是规则变换、随机文法与马尔可夫过程，优点是变换显式可解释，缺点是难以同时平滑处理力度与断连的连续变形。第三支是音乐转录与时间建模中的卡尔曼滤波及相关贝叶斯技术，以及人机回路贝叶斯优化与交互演化作曲，它们或用于估计速度与表情 timing，或把审美放在回路里但隐空间缺乏乐理结构。本文的取舍是把卡尔曼的形式主义从估计转到生成，把神经网络从内容生成器降级为方差调节器，从而同时保留乐理可解释维度与个人偏好适应性。

教学例子：同样是把一句四小节动机变出 10 个版本，规则法可能写死把大跳变级进的模板，大模型可能按训练语料的平均风格续写，而本文是先记住原动机的音程走向与节奏比例，再在每个音上按学习到的幅度抖动并偶尔分裂或合并时值，选中的版本会让下 1 次抖动更像你喜欢的方向。

问题如何形式化：参考轨迹与随机偏离各管什么？

论文把动机变奏形式化为音乐状态空间中的受控随机演化。设离散事件下标为 k，每个事件的状态向量包含音程、 durations 对数、门控与响度 4 个分量。音程用半音数的相对值而非绝对音高，目的是允许移调与轮廓反转而不被原轮廓锁死；时值取对数域以保证正值并支持乘性节奏伸缩；门控与响度先当连续量处理，之后再映射为离散记谱符号。从原动机抽出参考轨迹后，绝对音高通过累加重建，首音为参考首音加整体移调量，后续每音为前音加当前音程。

生成时变体状态等于参考状态加零均值高斯扰动，协方差矩阵控制每个事件容许的变化范围。小协方差得保守变体，大协方差得探索性变体。论文明确这平行于传统卡尔曼的过程噪声项，但角色从补偿观测不确定性变为定义创作余地。状态空间的好处被归纳为局部逐事件控制、保持手势连贯的平滑随机轨迹、每维皆有音乐含义的直接可解释性，以及结构与创造力的干净分离。

沿一个样本走完全程有助于建立依赖顺序：作曲家输入一段带表情的 ABC 动机，系统编码为参考轨迹，神经控制器按音程大小、轮廓符号、乐句相对位置与局部节奏密度等可解释特征预测每事件的对数方差，采样器据此抖动 4 个维度，再经全局移调、轮廓反转与分裂合并得到变长结果，最后由连续轨迹派生连句与发夹并渲染为谱面与音频。作曲家的选择只改变方差与编辑概率，不改参考动机。

方法全景：三栏系统如何从一个动机走到可复用的变体库？

系统全景可按参考动机、随机变奏、作曲家在环三栏理解。左栏做状态空间编码，中栏做卡尔曼启发的随机核与结构编辑，右栏做神经控制、偏好学习、时间线与导出复用，底部有偏好反馈回指协方差的虚线闭环。1 次交互产生多个候选，选中者进入时间线排序试听，偏好信号在线更新控制器，训练好的权重可存可取，形成迭代精炼。

下图是论文给出的概念总览，先建立三栏分工与反馈闭环，再进入各组件细节。

看图路径： 1. 先从左栏蓝色参考动机出发，确认状态向量四个分量与 ABC 输入框的位置关系；2. 再看中栏橙色核中协方差 Qk 框与结构编辑框如何并列产生多个候选变体；3. 接着追踪右栏绿色交互控制中神经控制器到偏好学习的箭头走向；4. 最后沿底部绿色虚线看偏好反馈如何回指中栏的 Qk 形成闭环

论文图 1。原论文 Figure 1：“Conceptual overview of the proposed composer-in-the-loop system.”。

该图报告的内容支持上段的全景叙述。左栏显示参考轨迹与 ABC 输入，中间显示高斯扰动公式与协方差控制变奏宽度的说明，以及分裂合并与整数移调的可变长度机制，下方给出多个候选变体。右栏显示用浏览器内多层感知机从音乐特征预测对数协方差，以及作曲家选正负例的在线训练、时间线拖拽重排与权重存取加符号导出。底部虚线明确偏好反馈只调节协方差，而不重写参考轨迹，这与正文学习只塑造变化空间的说法一致。初学者复述时应先说输入到输出主路径，再说反馈回路的起点与终点，避免把神经网络说成直接写音符。

状态空间轨迹 × 动机变奏： 状态空间轨迹负责把动机从静态符号序列变成随事件演化的参数流，每个时刻的状态向量保存音程、对数时值、 articulation 门控与响度；动机变奏负责定义什么算变而不丢身份，即围绕参考轨迹做连续形变。两者搭配的理由是变奏在作曲实践中本就是拉伸、装饰、移位与力度重塑而保持可辨认，轨迹加邻域正好对应结构加可容许偏离，组合后变奏成为有界随机跟踪问题，既保留身份又给出保守到探索的连续调节。

连续抖动与全局变换：音程对数时值如何保持身份？

连续核的核心是参考轨迹加扰动。协方差被参数化为对角矩阵的指数形式，对数方差向量由小多层感知机从动机特征预测。输入特征来自原动机，包括音程幅度、轮廓符号、乐句相对位置与局部节奏密度等，网络不生成音乐内容，只调节每个事件的随机自由度。这种设计保留可解释性：学习影响的是在何处可以大变，而非产出什么具体材料。全局变换另有整体移调参数，每变体采样 1 次并均匀作用于重建音高轨迹，其方差本身是可训练参数，用以学习偏好的音区位移范围；可选的轮廓反转通过在连续片段上取反音程状态实现方向倒置但结构相关。

过程噪声 × 创作自由度： 过程噪声在卡尔曼滤波原文中是补偿观测不确定性的协方差项，在本文中被转义为生成侧的协方差矩阵 Qk；创作自由度是作曲家在每个事件、每个维度上允许偏离参考动机的宽度。分工是前者提供数学载体即零均值高斯扰动的形状与大小，后者提供音乐解释即哪里可以大变、哪里必须收敛。搭配后噪声不再是误差而是显式的表情参数，小方差得保守变体，大方差得探索性变体，使控制论的参考跟踪直接对应作曲的保持与变化。

实现细节上有两点值得核对。第一，音高用音程累积重建，首音加移调保证同一音程结构可在不同音区实现；时值用对数域保证采样后仍为正并自然对应节奏的比例伸缩。第二，温度类旋钮在界面上是对方差的全局缩放，低值保守、高值探索，且音高、节奏、力度、断连分开控制，允许作曲家聚焦特定维度。复述时不要把温度说成采样 softmax 温度的唯一实现，原文只报告其音乐效果与推荐范围，具体缩放曲线以界面与代码为准，未报告的梯度路径不猜。

变长与表情：分裂合并与发夹连句如何从连续量长出来？

变长编辑层在连续采样之后施加，解决固定事件对齐无法做装饰与简化的局限。对每个事件下标采样分裂与合并的二值决策，概率由同一神经控制器的额外输出产生。分裂把一事件换成时值之和等于原事件的两事件，插入音高按重复、经过音或邻音等音乐动机策略实现；合并把相邻两事件换成时值相加的一事件。操作保持乐句总时长不变而允许节奏密度涨落，且学习的是何处适合结构改动。

连续状态采样 × 离散结构编辑： 连续状态采样负责在固定事件对齐下对音程、对数时值、门控与响度加高斯扰动，产生表情与轮廓的平滑变形；离散结构编辑负责改变事件个数，用分裂把一事件变成时值之和不变的两事件、用合并把相邻两事件变成一事件，实现装饰与简化。两者搭配是因为真实变奏既有连续的力度连断变化也有密度的增减，组合后总时长保持乐句一致而节奏密度可涨落，且分裂合并概率同样进神经控制器统一学习何处适合结构改动。

表情跨度推导把连续的门控与响度变成常规记谱的高层构造。渐强渐弱发夹来自连续事件段上响度导数的符号与幅度，为避开与符尾 beam 组的冲突，发夹闭合记号作为前一音符的尾随标记而非后一音符的前导；连句来自持续超过阈值的门控值，重音按动态轮廓的局部突出稀疏引入。论文强调表情记号从连续控制数据中涌现而非在参考动机中显式编码，因此变体可出现原动机没有的新手势。初学者应区分连续参数与离散符号：前者是采样与学习的对象，后者是后处理映射的结果，映射本身是启发式的，未报告性能 practice 精细模型。

下表把 4 个状态分量与两类结构编辑及表情映射并置，提出的问题是同一参考轨迹如何同时支撑连续变形与离散改写，公平条件是总时长与参考身份约束不变，指标方向是保持可辨认下的表现力覆盖。

维度	状态表示	连续变化方式	结构改写	记谱落点
音高	音程半音相对值	高斯抖动音程	整体移调与轮廓反转	累积重建为绝对音高
时值	对数时值	对数域乘性伸缩	分裂为二与合并为一	标准时值与量化网格
门控断连	连续门控参数	方差控制连断	分裂处重定断连	连句阈值与断连记号
响度力度	连续响度参数	方差控制起伏	合并处重定力度	发夹重音与力度记号
乐句整体	参考轨迹	协方差定保守探索	总时长不变密度可变	缩略谱与时间线排序

表后解释需同时看到收益与代价。主要收益是 4 维平等参与生成且连续离散解耦，总时长约束使变体可直接拼接；具体代价是分裂音高实现依赖启发式经过音邻音策略，合并可能抹掉原动机的特征节奏，且表情映射阈值未经系统评测。未胜出项是固定长度假设：若关闭分裂合并，系统只能做表情抖动而无密度变化，这正是需要该层的反例边界。

偏好如何变成梯度：学方差而不学音符意味着什么？

本节承担训练职责，但此处训练不是大数据预训练，而是交互中的在线偏好排序学习。给定两变体，模型用逻辑函数建模前者被偏好的概率，概率取决于两者在当前模型下负对数似然的差，损失为该概率的负对数。优化调整神经参数使被偏好变体在随机模型下更可能。关键约束是学习只影响方差参数与编辑概率及移调范围，而不改参考动机的符号结构，因此学到的是可接受变化的形状而非具体乐句记忆，长期交互后仍保持探索性。

神经控制器 × 偏好学习： 神经控制器是一个只预测对数方差与结构编辑概率的小多层感知机，它不直接生成音符，只调节采样器的自由度；偏好学习是把作曲家选优弃劣的比较行为变成排序信号，用逻辑函数与负对数似然损失更新控制器参数。分工是控制器管如何变、偏好信号管往哪个方向变，搭配理由是避免端到端黑箱与外部大数据，组合后系统从第 1 次交互就有音乐输出，并随选择逐渐收敛到个人在音高、节奏、力度、 articulation 与分裂合并倾向上的可接受变化空间。

按证据交代计算过程：作曲家在 1 次生成的多候选中选出一或多个偏好结果，选中者既可加入时间线也可作为偏好反馈，系统把选择解释为排序信号并更新控制器。原文未报告优化器类型、学习率、批量构造、早停与梯度是否经停梯度近似，也未给出收敛曲线，因此复述时必须指出这些缺项，不从多层感知机名称推定用 Adam 或特定超参数。监督来源是明确的即作曲家本人的选择，不是外部标注；重置时机是显式的即权重可存取与文件导入导出，切换美学档案即切换控制器。不能把无大训练等同于确定性求解：采样核仍是随机的，冻结控制器只固定变化分布而不固定单次输出。

在什么条件下试听与复用：浏览器系统与操作闭环是什么？

论文没有传统的数据集划分与基线对比实验，实验条件就是可运行系统的交互配置，因此本节按复现视角交代协议、输入、操作与导出。系统名为状态空间作曲家，是自包含浏览器应用，所有采样、学习、渲染与播放在本地完成，无需服务器与安装，论文给出可访问地址，本次资源状态显示演示链接可用，意味着当前可用，但复现仍应以本次可达为准记录版本号与浏览器环境。输入为 ABC 记谱动机，应用内嵌速查面板以降低 ABC 语法门槛；输出为 ABC 与音乐 XML，可进记谱软件。

下图是界面示意图，读图前先明确三区任务：左区管输入与控制，中区管浏览与选择，下区管排序与导出。

看图路径： 1. 先看左上原始动机谱面与下方八个旋钮的分组，确认音高节奏力度与编辑概率的控制入口；2. 再看右上变体浏览器的当前序号与量化切换按钮及缩略图高亮位置；3. 最后看底部绿色时间线中四个变体槽的排列与拖拽重排提示

论文图 2。原论文 Figure 2：“Schematic diagram of the State Space Composer interface.”。

像素可见的内容支持操作闭环的叙述。左上为原始动机谱面与播放导出按钮，下方为冒险、音高、节奏、力度、断连、编辑温度、分裂合并比例等 8 个旋钮与可折叠高级选项，以及常驻神经模型面板提供存取浏览器与下载上传文件，底部有两个大按钮分别触发产生变体与训练选择。右上变体浏览器显示当前序号与量化切换及播放选择加入时间线等动作，下方缩略图条支持导航。底部绿色时间线支持拖拽重排、顺序播放与批量导出。

音频经网页音频接口的多振荡器钢琴音色合成，无需外部音源，力度映射到幅度与谐波亮度。复现时应固定变体个数、量化档与旋钮位置，否则听感差异无法归因。

主结果显示了什么：哪些能力被报告、哪些数字缺席？

论文直接报告的是系统能力而非定量分数，因此结果节只能讲显示了什么与支持什么判断。报告显示系统从第 1 次交互即产出音乐意义明确的输出，无需训练语料；偏好选择后控制器逐渐对齐作曲家审美，同时受参考动机约束；时间线支持把离散变体组织成有序草稿并连续试听；权重可持久化与跨设备分享，支持个人变奏实践的积累。实现上连续状态变量被映射为音高时值力度断连连句与发夹，音频用基频正弦、八度、五度、双八度与三角波叠加并加锤击噪声与非谐失谐建模，提供对轮廓节奏力度的有效反馈。

必须同时指出缺席的数字：原文无数据集、无基线、无指标、无聚合统计与显著性检验，也无延迟、误判率或成本测量，因此不能承诺质量提升百分比或实时性改善量。相关性不等于因果，选中变体变多可能来自熟悉界面而非模型适应，需用户研究才能分离。教学上把结果分为已验证的工程事实即本地运行、符号导出、权重存取，与待验证的审美主张即长期创造力影响，后者论文自己也定性为作曲性质的定性评估。

下表把交互闭环拆成可执行步骤，比较问题是每步的输入动作与系统响应的可观察性，公平条件是同一参考动机与同一组旋钮设置，方向是越少手工干预越能完成从动机到可导出乐段。

步骤	作曲家动作	系统计算	可见输出	复用落点
指定	输入 ABC 动机	编码参考轨迹	渲染原始谱面	可点音改高时值
生成	请求变体个数	抖动加移调分裂合并	变体谱面与缩略图	量化切换不重采样
评价	播放比较	网页音频合成	听觉与视觉对照	选优弃劣
适应	选偏好训练	更新方差与编辑概率	下轮分布偏移	权重存浏览器或文件
组装	拖入时间线排序	顺序渲染拼接	连续播放乐段	导出 ABC 与音乐 XML

表后解释要给出收益与反例。收益是闭环短、每步可见可撤销，点音编辑与量化切换允许生成后修正而不必重采；代价是选择偏差会窄化分布，若总选保守变体，系统可能越来越不敢探索。未评测边界是多人协作时偏好冲突如何合并控制器，原文只支持单作曲家档案的存取分享，未报告合并策略。

若关掉某机制会怎样：论文给了什么对照、还能补什么？

原文未提供消融表与失败条件数字，因此本节只能按已验证对照与可推演边界来讲，不补写拿掉后必然怎样。已验证的对照是概念层面的：若固定协方差而不经神经调节，系统退化为均匀抖动，无法体现何处适合大变；若去掉分裂合并，变体只能事件对齐地变形，失去装饰与简化能力；若去掉表情维度，系统退回 MIDI 式音高时值生成，与论文动机相悖。这些是安排理由而非实测差值，复述时用支持而非证明的措辞。

可补的验证应具体化。第一，固定其他旋钮只扫冒险度与音高温度，记录被选率与时间线保留率随轮次的变化，以检验偏好学习是否真改变分布而非随机波动。第二，对比开关联想的分裂概率，统计变体长度分布与总时长守恒是否成立，检查插入音高策略是否引入不协和。第三，对比有无发夹连句映射的盲听，检验表情记号是否提升可演奏性判断而非仅视觉丰富。原文未测量这些量，故不能把趋势推广到每组每步。初学者易把总体向好当成每步单调改进，实际随机采样本身有方差，需多次重复与固定种子才能判断。

边界在哪里：单声部启发式映射与缺失的用户研究意味着什么？

论文明确列出 3 类局限。第一，当前只处理单声部旋律材料，不显式建模和声语境，扩展到复调、声部进行与和声进行需额外设计，状态向量虽可扩展到频谱音色空间参数，但未实现。第二，从连续状态到离散记谱的映射必然是启发式的，阈值与稀疏重音规则足以支持探索性作曲，但更精细的演奏实践模型才能提升标记的真实细腻度。第三，评估是定性作曲性质的，缺系统用户研究，长期创造性影响待验证。

这些局限决定适用条件。若你的材料是带表情的单声部动机并想快速搭乐段草稿，该工具值得尝试；若需要多声部对位、和声约束或微分音非西方节奏体系，当前实现不直接适用，需先扩展状态定义与编辑算子。缺失证据不是技术错误，但使用时不应承诺未测量的延迟、成本或误判率改善。训练资源、推理开销、输出帧率与实际延迟应分别讨论：论文只报告浏览器本地无服务器，不能据此推定低延迟或低内存，实际以设备实测为准。

复现先做什么：如何固定一次可核对的运行？

复现的第一步是固定信息条件。按论文操作：用同一浏览器打开演示地址，输入一段简短 ABC 动机并记录字符串，记下 8 个旋钮位置、高级选项、变体个数与量化档，点生成并保存全部变体的 ABC 文本与缩略图，再选一偏好子集点训练并记录前后权重文件哈希。由于资源状态是正文开源声明的唯一依据，本次演示链接状态为可用，可写当前可用，但仍应在复现笔记中写明访问日期与是否本地保存副本，避免把本次可达当永久保证。第三方 ABC 标准链接同样可用，可用于核对记谱语义。

ABC 记谱 × 表情跨度推导： ABC 记谱负责作为人类可读、算法可处理的符号中间层，承载音高时值并外挂强弱、断连、连句与渐强渐弱记号，同时直接驱动音频合成与音乐 XML 导出；表情跨度推导负责把连续的响度导数与门控轨迹变成离散记谱构造，如由响度导数符号幅度生渐强渐弱发夹、由持续高门控生连句、由动态局部突出稀疏生重音。搭配理由是生成核工作在连续域而作曲家阅读在离散域，组合后表情记号从控制数据中涌现而非事先写死，允许出现原动机中没有的新手势。

第二步是做最小可核对闭环。先不训练生成一批变体并导出，检查总时长守恒与音程累积重建是否正确；再只选一类偏好如偏爱大跳或偏爱密集装饰训练若干轮，观察下轮变体在对应维度的分布是否偏移，并用同一参考动机重复 3 次以区分随机波动。第三步是复用：把权重存浏览器、下载为文件、换浏览器或设备载入，验证同一参考动机与同一旋钮下分布行为一致。原文未给超参数与随机种子，复现报告应如实写未报告项，不从界面名称反推优化器。

若需教学演示，建议准备两个动机，一个级进为主，一个大跳为主，分别展示移调与轮廓反转的不同效果，但明确标注为自选例子而非原文数值。

何时值得尝试、还需补哪项验证？

综合全文，值得尝试的场景是作曲家已有短小表情完备的动机，想在保留身份下快速获得多维变体并拼成大结构草稿，且不愿或无法准备大语料训练大模型。此时把动机当轨迹、把噪声当创作余地、把神经网络当方差调节器的分工恰好匹配需求：身份由参考轨迹保证，探索由协方差与分裂合并提供，品味由自己的选择塑造。不值得硬套的场景是需要和声复调约束、精确演奏法建模或可发表的定量提升声明，这些在原文中未建模或未测量。

还需补的验证有三项。第一，固定协议的用户研究，测量多轮后被选率、保留率与主观控制感，并设随机基线与固定方差基线做可运行对照，不能用事后最优值代替可部署收益。第二，表情映射的演奏者评价，检验发夹连句重音是否可奏且符合记谱习惯。第三，跨动机泛化检查，即同一训练控制器换新动机是否仍合理，或需为每个动机单独训练档案，这关系到论文提出的动机库加拼接工作流是否成立。记住核心复述句：零外部数据、学习只调变化空间、结构与表情解耦但总时长守恒、浏览器本地可复用，这是与大语料端到端生成的根本区别。