计算机辅助作曲为何困在纸面记谱里：从音高节奏形式化到多模态工作流的回望

英文题目：Computer-Aided Composition: A Retrospective and Prospective Outlook

会议身份：conference:icmc:2026:conference-paper-id:paper-667

✅ 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 #文献综述方法 #音乐 #符号音乐生成

评分：5.4/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.6/1.5 | 清晰度 0.9/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.6/1.5

排名：后50% | 文档类型：综述

👥 作者与机构

• Andrea Agostini：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文以历史文献、系统设计经验与作曲实践为输入，以澄清计算机辅助作曲与广义计算机作曲的混同并展望未来路线为输出，难点在于记谱中心传统与声音实时实践长期割裂且缺乏统一形式化界定。方法先以记谱、声音、语言与模型四轴重构早期理论，阐明音高节奏中心主义与可读记谱要求的形成，其符号形式化界定进入下一步。再以个人计算机与实时音频变革为背景，解释OpenMusic音频扩展与Maquette图形块组织如何承接符号工具并弥合实时与非实时割裂，其弥合经验进入展望。最后提炼多模态枢纽式愿望清单，主张自然语言与代码双重描述、参数化图形记谱与声料生成编辑协同及实时操作与协作编辑。与早期黑盒式频谱工具及通用计算机音乐语言相比，该路线强调作曲家可编程的形式化与模型可生多实例性，保留作曲家对多版本的评估选择权。在历史文献回溯的评测设置下，文献[5]的页码得分从169升至185，原文未提供可核对的关键定量结果。该结论适用边界受限于西方记谱传统下的学院派器乐与声乐创作，对流行制作与非五线谱实践的外推尚未验证，原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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，本文要解决什么学习依赖？

本文的输入是历史文献、系统说明与作者亲历的作曲实践，目标是给刚进入语音音乐音频领域的研究生讲清计算机辅助作曲这个词的来历、做法与边界。必须保留的信息是：该词在二十世纪八十年代中期以后与特定工具和美学绑定，它以西方记谱为中心，以音高与节奏为主要参数，以可编程的形式化为核心方法。本文的输出是 1 篇可核对的技术解读，不评价音乐好坏，只复述作者实际写了什么、依据什么、没验证什么。

学习依赖是先理解记谱与声音的分野，再理解语言与模型的作用，最后才能读懂作者对未来的愿望清单。如果把计算机作曲泛化为一切用计算机做音乐，就会误读本文。作者反复强调，计算机辅助作曲在历史上是一个更窄的概念：为当代学院派器乐与声乐写作服务的记谱形式化传统，与后序列主义、频谱主义和有限的偶然音乐联系紧密。读懂这一窄定义，才能理解后文为何批评它忽视音色解放，为何讨论实时与非实时的融合。

阅读时要区分 3 类陈述。第一类是作者报告的历史事实，例如术语出处与工具演进；第二类是作者引述他人讨论的美学争议，例如记谱中心是否排斥了某些作曲家群体；第 3 类是作者明确标为个人愿望的未来设想，例如多模态输入输出与自然语言交互。后两类不作为已验证的技术结论，初学者复述时要用报告、支持、可能待验证等不同措辞分开表达。

相关路线有哪些，本文站在哪里？

与本文相邻的第一条路线是广义的计算机音乐语言传统。从早期音乐三号的乐谱概念开始，用文本文件规定电子乐器行为与事件激活，一直是重要做法。这条路线擅长从高层输入生成复杂的底层声音行为，处理连续的声音合成与变换，但不以生成可读的西方记谱为首要目标。

第二条路线是实时交互与工作站传统。个人计算机普及后，非破坏性声音编辑、实时合成处理、笔记本音乐、音频插件与数字音频工作站时间线成为日常工具。这条路线把时间线当乐谱、把效果器与合成器当乐队，操作直观且贴近录音棚硬件，但在作者看来，它长期与记谱形式化分属两个世界。

第三条路线是算法作曲的学术讨论。作者指出，近年关于算法作曲的论述仍较活跃，但计算机辅助作曲的理论反思在二十世纪九十年代末到二十一世纪初之后活力下降。相关会议与期刊的讨论仍围绕计算机化的音乐形式化打转，而最初的理论支柱已不如八十年代那样处于中心。本文的位置是为中间这条窄路立传：承认广义工具已经大变，但指出狭义计算机辅助作曲的基本假设仍停留在八十年代末的技术文化语境中，因此需要 1 次回望与前瞻。

为什么只做音高节奏的形式化是不够的？

问题可以从一个具体样本走起。假设作曲家拿到一段钟声录音，做频谱分析得到一组分音频率，希望把它转写为弦乐队的和弦与节奏。输入是连续频率与随时间演变的音色，中间表示需要在频率空间做移位、生成泛音列或借鉴环形调制与频率调制的谐波过程，输出是离散的十二平均律音高加按拍号划分的节奏记谱。这一步必然丢信息：连续滑音要量化为半音，连续包络要切分为音符时值，演奏法要压缩为记谱符号。

原文指出，音高与节奏之所以成为中心，很大程度上是因为它们容易测量、容易用数字表达，而当时音色描述符研究尚处幼年。教学例子：用纸笔计算失真的泛音列移位既繁琐又易错，计算机自然受欢迎。但这种方便不是中立的，它建立了参数等级制，把二十世纪所谓音色解放抛在一边。作者转述已有讨论说，这种偏向可能吸引特定审美与人群、排斥另一些人，也可能反过来塑造使用者的作曲语言。初学者要记住，这不是技术对错判断，而是对工具偏向的提醒。

更深一层是记谱观。作者提到，音高节奏被视为字母表，其上可以建立语法句法与符号系统，而记谱常被称为符号，与声音或信号对立。这种文字学观点在共 practice 时期曲目讨论中影响很大，但在处理以音色手势为首要参数的作品时就会吃力。表演参数空间维度升高、参数与时间的关系要求表达连续演变，而离散化恰是音高文字学的基础，这就是后文反复出现的连续性难题。

历史全景如何展开：从现成黑盒到可编程模型？

作者把方法演进写成 4 步。第一步是现成过程实现，例如早期系统把特定作曲技法做成可调参数的黑盒，作曲家调参即用。第二步是认识到形式化本身就是创作能动性所在，黑盒不够用，必须让作曲家用计算机语言表达自己的过程。第三步是提供与音乐贴近的积木：从音高节奏数据类型、完整乐谱对象，到音高频率互换、约束规划等专用求解技术，再到记谱显示与声音分析接口。第 4 步是把作曲对象从单个作品提升为可生成多个实例的模型，通过改参数得到一族替代版本再挑选定稿。

为读懂全景，需要把握公平比较条件。不同时期的工具运行在完全不同的算力与媒介上：八十年代是研究中心的大机器，九十年代末是个人计算机，二十一世纪一零年代以后是实时环境与互联网协作。不能用今天的易用性直接否定当年的设计，也不能把当年的参数化理想直接套用到今天的录音室专辑、影视配乐等新产出形态。作者的态度是继承加扩展：保留形式化与可编程性，但要求容纳声音材料、图形草图、自然语言描述与代码等多种输入，以及标准记谱、非标准记谱、图形记谱与声音成品等多种输出。

下表把主要系统按出现脉络整理，帮助初学者建立时间与环境坐标。阅读时先看工具出现的先后与依托环境，再看语言基础与记谱声音能力的分工，这正是后文讨论实时融合与多模态扩展的前提。

上表只是学习地图，不是性能排名。它的主要收益是把零散的系统名放进同一演进链：从实验室内的现成过程，到图形化可编程环境，再到实时宿主内的符号扩展。后文要讲的连续性缺失、实时非实时割裂与协作缺位，都要对照这条链来理解。未胜出的路线是纯文本音乐语言与纯时间线工作站，它们在声音生成上很强，但不以可读记谱与作曲模型为中心，因此不在狭义计算机辅助作曲的主线上，初学者不要把它们当成同条件下的失败基线。

记谱与声音各自管什么，为何难以互换？

记谱分支管离散、可读、可操作的形式对象。它的输入是音高节奏参数，操作是组合与算术变换，输出是分谱与总谱。声音分支管连续、随时间演变的声学现实。频谱视角的输入是分析得到的频率数据，操作是频域移位、泛音列生成与调制启发的谐波过程，输出可以是记谱，也可以是声音本身。两者的搭配理由在法国八十年代频谱主义语境中很自然：既然分析能给出作曲材料，就应该有办法把它写进总谱。

符号 × 声音： 符号指以西方记谱表达的离散的音高与节奏，负责承载可读写、可形式化的作曲对象；声音指连续演变的声学信号与音色，负责承载频谱与演奏形态。两者搭配的理由是频谱主义希望从声音分析得到记谱材料，而组合意义在于打通从频谱分析到符号操作再回到声音合成的链路，但原文指出连续性支持在记谱与专用工具中一直缺失。

组合后的新增作用是双向桥接：既可以用符号工具驱动声音子系统，也可以用声音分析结果驱动符号生成。作者举例说，开放音乐的声音处理能力让原本为符号设计的软件设施去驱动声音，也让符号与声音两种作曲范式真正相遇。但代价是连续性表达始终薄弱。原文明确报告，连续演变的支持在专用工具与通用记谱软件中都缺失或零散。教学例子：一段渐变的弓压与泛音游移很难在不扭曲小节与谱表规则的前提下写准，作曲家只好借助矢量绘图软件辅助制谱，这说明问题不在作曲家技巧，而在表示层假设。

实时操作 × 非实时操作： 非实时操作指离线计算记谱与结构，不受演出时钟约束，负责精细的形式推导与排版；实时操作指跟随演出时间进行合成、处理与跟随，负责交互与表演。两者搭配是因为个人计算机普及后作曲与表演的边界松动，组合意义是以同一符号数据驱动离线结构与实时声音，例如用符号工具生成控制数据再驱动声音子系统，或在时间线上组织离线过程块。

另一组分工是时间体制。非实时负责离线推导，实时负责演出跟随。作者回顾了时间线对象、宿主集成、实时与非实时混合表达的尝试，指出交替范式曾让乐谱管弦乐队观念时起时伏。组合意义在于不再强制二选一，而是让同一作曲数据既能离线排布，又能实时响应。初学者复述时要唯一回指：前文的符号指离散记谱对象，声音指连续声学过程，实时指演出时钟驱动，非实时指离线计算，不要混用。

语言与模型如何把作曲动作变成可写程序？

语言分支解决怎么写出自己的过程。当年选择表处理语言，看中的是它在人工智能与符号处理中的积累，以及过程与数据表示的简洁可扩展性。理想是让表示贴近自然语言，免去学习底层语言时处理与音乐无关的细节。今天至少两个主流系统仍基于该语言家族，其影响也延伸到实时宿主上的符号库及其衍生过程集合。初学者可以这样记：语言不直接作曲，它提供表达作曲过程的积木。

形式化 × 计算机语言： 形式化指把作曲过程表达为可计算、可参数调节的模型，负责定义作曲想法本身；计算机语言指提供音高节奏数据类型、记谱显示与分析接口的可编程积木，负责让作曲家写出自己的过程。两者搭配是因为现成参数黑盒无法覆盖个人化的创作能动性，组合后作曲家不再只是调用固定效果，而是直接书写和复用自己的生成与变换逻辑。

模型分支解决作曲对象是什么。按原文描述，作曲家不再只产出一部作品，而是搭建一个由参数控制的潜在总谱，能生成多个乃至无限个具体化。操作流程是自顶向下：先定总体特征，再调参数生成替代版本，最后评估挑选其一。这种做法隐含两个前提：一是改动细节而不重谈整体是有意义的，二是作品可被视为一组替代版本中的 1 次选择。作者坦言，原文献没有充分讨论这种做法是否改变作品本质与音乐行为，这部分要留给哲学讨论，不要当成已证明的优点。

模型 × 具体化： 模型指由参数控制的一族可能作品的生成装置，负责在顶层保持总体构想稳定；具体化指从模型中挑选并定稿为一部可演奏作品的 1 次实例，负责落实细节选择。两者搭配的理由是参数化思维允许生成多个替代版本再评估挑选，组合意义是把作品看作模型实例，作曲动作从逐音书写转向设计参数空间与评价选择。

乐谱 × 管弦乐队： 乐谱指激活与参数的时间线，负责规定何时做什么；管弦乐队指声音生成与处理模块集合，负责执行发声。两者搭配源自音乐三号以来电子乐器加事件列表的传统，组合意义是把作曲理解为定义乐器加书写事件，而巴赫扩展到实时环境的价值在于让符号记谱数据直接进入这一范式，弥合离线作曲工具与实时演出系统的裂缝。

图形化时间组织是模型思想的一个具体化。开放音乐中的模型排布环境允许拖动代表作曲过程的图形块，块的外观属性又能被过程读取，从而用更直观的高层方式作曲。但它依然扎根于参数化观念，只是把参数与图形外观绑定。复述时要先走完样本：输入是作曲家写的过程代码，中间表示是符号数据与参数，组件是语言积木与模型容器，目标是生成可评估的多个版本，输出是选定的记谱，再展开对实时与多模态的讨论。

本研究训练了什么，没有训练什么？

本研究没有训练任何神经网络模型，也没有报告数据集划分、优化器、梯度路径或参数冻结更新安排。这是 1 篇回望与前瞻的论述性文章，它的真实计算过程是文献梳理、系统对比与亲历总结，不是机器学习训练。不能把无训练等同于确定性求解，也不能从系统基于某语言推定其输出确定。

实际执行的操作可以复述为 4 步。第一步是收集八十年代中期以来的内部报告、专著章节与工具文献，整理术语出处与 4 条轴线：记谱、声音、语言、模型。第二步是追踪工具链：从现成过程实现到图形化语言环境，再到声音能力的加入与实时宿主扩展，对照个人计算机普及带来的范式变化。第三步是考察今天的实践：转录、拼贴、非线性草拟、云端协作等做法，说明已有工作流早已超出狭义定义。第 4 步是提出愿望清单：多模态输入输出、参数化控制图形记谱、文本与图形方式交织的声音编辑、跨材料的分析与代码生成、尽量宽的实时操作性与协同编辑。

缺项要明确指出：没有给出新系统的实现细节，没有定义可复现的构造算法，没有报告超参数、算力预算或运行延迟。因此后文谈生成式人工智能与机器学习时，只能理解为方向性讨论，不是已验证的训练方案。初学者在方法部分不要补写拿掉某组件会怎样，也不要臆测冻结参数或监督来源。

用什么材料和条件支撑回望，前瞻如何验证？

由于不是实验论文，本文没有数据集、划分、采样、指标聚合或硬件预算。它的证据是引文与系统史：术语来源、生成音调音乐理论的影响、记谱中心的美学讨论、音色范畴的批评、频谱组织与约束规划等技术积木、实时跟随与内容检索等项目，以及作者参与开发的实时宿主符号扩展。每一项都可以按原文交代核对出处，但没有统一的受控比较条件。

如果要把前瞻变成可验证的研究，需要补的验证项很具体。多模态输入是否真能减少转录与重绘工作量，需要记录任务完成时间与错误率；参数化控制图形记谱是否可读可演，需要演奏员视奏与排练反馈；文本与图形交织的声音编辑是否提高复用率，需要版本库统计；从示例 climb 到可参数化代码是否成立，需要给出示例集、生成代码与人工改写率。

实时与协同是否不破坏离线推导精度，需要延迟测量与冲突解决记录。原文没有承诺这些量得到改善，复述时不能把愿望当成已测量的收益。

下表把 4 条历史轴线整理为对照表，便于按问题组织阅读：每行先看关注对象，再看典型操作，最后看动机与代价。指标方向在这里不是数值高低，而是表达力与代价的权衡。

上表的主要收益是把分散在各节的论述收拢为同一版式，初学者可以逐行回查原文依据。代价也要讲清：记谱行赢在可计算性，输在连续性；声音行赢在现实贴合，输在书写成本；语言行赢在灵活性，输在学习门槛；模型行赢在多版本探索，输在对作曲过程的强假设。未评测边界是不同美学与人群的接受度，原文只转述已有社会学与文集讨论，没有给出新的受控证据。

回望得出了什么，哪些是报告哪些是推测？

作者报告的第一项结果是定义的澄清。狭义计算机辅助作曲是为当代学院派声乐器乐的形式化服务的记谱传统，不等于一切用计算机作曲。这一判断的依据是术语出处、工具链与美学姿态的高度重合，支持它的证据是系统都围绕可读记谱、音高节奏与可编程积木展开。

第二项报告是演进判断。个人计算机普及是 1 次真正的范式转移：记谱排版、非破坏性编辑、实时合成处理从实验室走向个人工作室，家庭工作室质量与非职业发行数量同步上升。计算机辅助作曲的回应滞后但真实存在：声音能力的加入、图形块时间组织、实时跟随与内容检索项目的探索，以及把乐谱管弦乐队范式带入实时宿主的尝试。这些是可核对的系统史陈述，不是胜负排名。

第三项是现状判断。作者认为，算法作曲讨论近年仍活跃，但计算机辅助作曲的理论活力在二十一世纪初后减弱，今天许多基本假设仍 indebt 于八十年代末的技术文化语境。今天的作曲家早已用工作站转录、用数据库拼贴、用排版工具做非线性形式推演、用云存储与版本系统协作，这些做法尚未被狭义概念吸收。以上属于有限解释，有文献浏览支撑，但没有系统抽样统计，应表述为支持而非证明。

必须分开的是前瞻愿望。它可能待验证，包括多模态枢纽、自定义图形语义、声像文本图形交织编辑、从示例生成可参数化代码、尽量宽的实时性与协同编辑，以及对生成式人工智能的接口。原文对人工智能的态度是双面的：一方面看到自然语言简化人机交互与试错作曲的潜力，另一方面罗列伦理心理美学经济生态政治等分歧，明确表示不展开创造主体争论。复述时不能把愿望清单写成已实现系统，也不能把对学徒助手的比喻当成性质证明。

如果拿掉关键假设，哪些做法会失效？

本文没有消融实验，但可以用原文给出的对照做思想上的反证。第一个反证是拿掉可读记谱假设。如果目标不再是西方记谱，而是以音色手势为首要参数的图形总谱，那么小节填充、临时记号组合、谱表小节线对齐等排版与乐理假设会从帮手变成障碍，扩展乐技记谱与图形嵌套将难以实现。这正是作者抱怨通用排版工具难用的原因，支持了表示层假设决定表达边界的判断。

第二个反证是拿掉离散化假设。如果要求表达连续演变，现有专用工具与通用记谱软件的支持都零散缺失，作曲家只好外挂矢量绘图工具。这说明连续性不是加一个滑音记号就能解决，而是需要新的图形符号体系与概念集合，维度升高后更需系统性设计。

第三个反证是拿掉可编程语言假设。如果退回现成黑盒，作曲家将失去表达个人过程的能力，只能调参调用固定效果。原文强调形式化所在即创作能动性所在，这支持了语言积木的必要性，但也带来学习成本。第四个反证是拿掉自顶向下模型假设。如果作曲是自底向上拼贴或即兴转录，那么改细节不重谈整体的前提不再成立，多版本挑选的流程需要重写，而这恰是今天数据库拼贴与工作站实践提出的挑战。

这些反证的限制是都没有受控测量，只能作为适用条件来记：记谱中心适合离散音高节奏的形式推导，不适合连续音色主导的作品；参数模型适合总体稳定下的多版本探索，不适合整体随细节不断重谈的过程；实时宿主扩展适合弥合演出与写作，不适合替代声学现实的精细记谱。未胜出项也要保留：文本音乐语言在底层声音行为上更强，时间线工作站在直观操作上更强，它们只是目标不同，不是被击败的基线。

边界在哪里，哪些验证还没有做？

直接局限是证据类型。本文是单作者视角的回望加个人愿望清单，作者自称必然片面、个人且不完整。它没有抽样方案，没有编码手册，没有读者间一致性报告，不能当成对领域现状的定量普查。引用会议与期刊浏览得出的理论活力判断，属于印象式综述，初学者引用时要注明这是作者的阅读印象，不是测量结果。

技术局限集中在三处。第一是记谱理论假设过强，排版器行为捆绑了共 practice 乐理，写非标准对象需要取巧的图形手段。第二是图形推理链断裂，从手绘草图到可计算再到标准记谱或声音成品，缺少顺畅入口，虽有模型排布与可视化作曲环境的先驱，但按作者判断至今没有顺手方案。第三是协作与实时仍是补丁式存在，版本协同、远程合写、演出时钟与离线推导的混合表达没有成为核心设计。

未验证的推测包括：多模态枢纽是否真能拓宽美学适用性，流行音乐生产者用的和弦旋律库是否应纳入同一概念，自然语言生成代码是否在作曲试错中足够可靠，生成式工具的伦理与生态代价如何分担。原文明确把创造主体争论搁置，只要求未来的完整系统应嵌入或对接生成式工具。复述时要用可能待验证措辞，不承诺延迟成本误判率得到改善，也不把总体趋势推广到每组每步。

要复述与复现，先做什么，需要什么条件？

复述先做概念核对。第一步是默写狭义定义：西方记谱中心、音高节奏为主、可编程形式化、参数模型，并能说出它与广义计算机作曲的区别。第二步是沿样本走完链路：从声音分析得到频率数据，在频率空间变换，再量化为记谱，或反向用符号数据驱动声音，并指出连续性在哪一步丢失。第三步是说清 4 条轴线的分工与代价，不把比喻当证明。第 4 步是分开报告与愿望，不把未来清单当成已实现功能。

若要复现历史理解，需要的不是算力，而是文献条件。按原文引文找到术语来源、生成音调音乐理论、记谱社会学讨论、频谱组织介绍、约束规划与视觉约束语言、符号库与衍生库、实时跟随与内容检索、语料拼贴与连接合成控制、制作人作曲等材料，逐项核对作者的转述是否准确。资源状态方面，本次没有发现来源绑定且完成安全验证的资源，不得声称代码模型或数据已公开或当前可用，只能依据正文讨论系统思想，不提供下载运行承诺。

若要把愿望清单变成可运行原型，建议从最小闭环做起。先选一个可演奏的非标准记谱需求，例如在小节内承载超量材料或自定义变音组合，记录在现有排版器中需要的取巧步骤；再做一个手绘草图到参数的转换试验，明确手工转数值在哪一步最耗时；最后再试验用自然语言生成一小段可参数化代码，记录试错次数与人工修正率。每一步保留任务条件、操作记录与失败案例，不追求 1 次建成大而全的枢纽。

何时值得尝试这种思路，一句话如何收束？

当你的作品仍以可读记谱为最终交付，当你的过程需要反复推导音高节奏结构并保留多版本可比性，当你希望自己的技法沉淀为可复用的过程库而非 1 次性调参，这时狭义计算机辅助作曲的思路值得尝试。它的强项是把作曲想法写成可读可改的模型，让挑选有据可查。

当你的作品以连续音色手势为主，当交付是录音室专辑或多媒体音轨，当协作与演出实时性是主要矛盾，就不要硬套旧假设。此时更值得做的是先解决表示与工作流：如何不扭曲乐理假设地写下非标准对象，如何让手绘与声音材料进入可计算链路，如何让离线推导与实时响应共享同一数据。原文的价值在于把这些矛盾摆到桌面，而不是给出一个现成答案。

收束为三句可复述的话。计算机辅助作曲在历史上是记谱中心的可编程形式化传统，以语言与模型为核心，以音高节奏为主要参数。当声音连续性、实时性与多模态实践到来后，它的工具链部分跟进但理论反思减弱，基本假设仍停留在八十年代末。未来若要扩展，需要重建多模态枢纽与开放接口，并在受控任务中补上表达力、效率与协作的验证，再谈美学拓宽。

⚖️ 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 icmc-2026 论文汇总