英文题目：Human-in-the-Loop: Crossmodal AI Alignment between Movement and Audio Latent Spaces for Expressive Sonification in Dance Performance.
会议身份：
conference:nime:2026:conference-paper-id:nime2026_113
✅ 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：#多模态学习 #用户研究 #变分自编码器 #音乐生成
评分：5.8/10 | 创新 1.2/2 | 技术严谨 0.8/1.5 | 实验充分 0.5/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 1.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5
排名：前50% | 文档类型：系统技术报告
👥 作者与机构
- Koray Tahiroğlu：机构信息未能从会议 PDF 纯文本可靠映射
- Mikael Hokkanen：机构信息未能从会议 PDF 纯文本可靠映射
- Ariana Marta：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
输入为Xsens可穿戴惯性传感捕捉的舞蹈运动信号，输出为实时合成的音乐纹理波形，实际难点在于运动与音频潜空间维度、结构与时间分辨率失配，且映射需适配舞者个体审美而非固定规则。方法链第一步由轻量因果卷积运动变分自编码器编码器将传感缓冲窗口压缩为8维运动潜向量，以刻画连续 expressive动态轨迹。第二步由对齐模块以单线性层加修正线性单元将8维向量投影为4维音频潜向量，再经插值适配音频解码速率并向所选聚类质心偏移以兼顾稳定与音色多样性。第三步由预训练实时音频变分自编码器解码器将连续潜轨迹合成为波形，并经sounddevice库实时回放。与固定规则映射相比，关键差异在于表演前专用会话中舞者以二元接受反馈做人体在环门控更新并可切换质心探索不同音色区，其实质意义是把审美决策权交还身体判断以支撑共创作者感。在潜空间对齐任务下，运动潜向量的维度指标为8维，高于音频潜向量的维度指标4维。该结论适用边界受限于3名舞者两天探索性会话的定性访谈感知连贯性解释，重音与停顿失配仍常致脱节，尚未验证舞台实时表演与跨风格泛化，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://version.aalto.fi/gitlab/sopi/sonicmove_vae — 链接可访问（HTTP 200）
- 代码相关资源：https://tinyurl.com/36425wfx → https://version.aalto.fi/gitlab/sopi/sonicmove_vae/-/tree/main/alignment?ref_type=heads — 链接可访问（HTTP 200） 预印本/扩展版链接未在会议页展示；会议版来源见页首官方记录与 PDF。 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
舞者为什么改不动固定映射的声音？
这篇论文的输入是舞蹈表演中的身体运动，目标是实时生成与动作质感相连的声音。初学者可以这样理解任务：舞者戴着惯性传感器跳舞，系统要把加速度、速度和朝向的变化变成连续的音乐纹理，而且舞者本人要能重塑这种对应关系。
传统做法是先提取位置、速度、加速度和关节角，再用固定函数或规则把它们绑到合成器参数上。论文指出这种做法一旦结构确定，可交互的空间就被提前限定，换映射往往要改代码。对舞者而言，困难不在于传感器不够准，而在于细微的重量、流动和时间质感变化无法被刚性规则接住，表演中身体状态一变，声音就显得对不上。
深度生成模型提供了另一条路。变分自编码器这个术语第 1 次出现时需要拆开理解：白话说它是一个先压缩再重建的神经网络，英文是 Variational Autoencoder，缩写为 VAE。它把高维信号压成低维隐向量，再从隐向量重建信号，隐空间中微小的坐标移动对应输出的渐变。音频和动作各自已有这样的隐空间，但问题变成如何把两个结构、维度和速率都不同的隐空间连起来，并且让连接方式可以被舞者用身体校准。这就是本文的起点，作者明确说不主张存在唯一普适的对齐，而是把对齐当作艺术协商的场所。
同输入同目标的前人走了哪两条路？
与本文同输入同目标的研究大致分两支。第一支是从音乐生成舞蹈或从声音特征生成动作，例如用 VAE 和生成对抗网络生成 2 维舞蹈，用长短期记忆自编码器把声学特征映射到 3 维动捕数据，以及用时间卷积的自回归模型 Music2Dance 引入节奏、旋律和风格等高层音乐特征作控制。论文转述的一个判断是，节拍和节奏比梅尔倒谱系数或短时傅里叶幅度这类通用谱特征更贴近舞蹈生成，跨模态工作需要音乐上有意义的中间表示。
第二支是可穿戴与动捕的实时声音化，关注舞者对自身运动和空间关系的觉知。有研究把这类系统描述为相互的：声音影响动作探索，动作又重塑声音。这类证据支持把人的反馈放进学习环路。人体在环这个术语的白话是人在训练循环里直接给判断或奖励，英文是 Human-in-the-Loop，缩写为 HITL。论文提到音乐生成中明确做 HITL 强化学习的例子很少，Justus 的工作用用户评分作奖励，但状态空间大而结构简单，作者建议用神经网络、成对偏好和更强的生成后端。
本文与这两支的关系是：向第一支借紧凑可插值的生成表示，向第二支借表演者主动塑造系统的立场，但不做音乐到舞蹈的生成，也不做固定示范学习。作者对比了 Fdili Alaoui 基于拉班用力因素的示范映射，指出对方从预录例子学固定关联，而本文允许舞者在专用训练会话中通过实时反馈反复重校准。这一定位决定了后文只更新对齐层而不重训两个 VAE。
要对齐的到底是哪两个隐空间？
把问题说具体：输入是每时刻 30 维的惯性测量流，来自右手、胸和右腿 3 个传感器，每个传感器提供三轴线速度、三轴线加速度和四元数朝向。表示是两个已独立训练好的隐空间，一个是动作 VAE 编码器输出的动作隐轨迹，一个是 RAVE 音频隐空间。目标不是重建动作，也不是分类动作，而是学一个从动作隐向量到音频隐向量的投影，使富有表现力的手势翻译成听起来连贯且音乐上有意义的声音。
约束有 3 层。第一是实时：编码器被刻意做轻，把算力留给音频生成，两端都用推理缓存支持流式。第二是结构错位：动作与音频的隐空间在维度、时间分辨率和组织方式上都不同，论文明确写动作侧 60 Hz 而音频侧 44.1 kHz，隐轨迹必须上采样或下采样并插值才能喂给解码器。第三是审美不可预定义：什么样的声音算对，只能由舞者在听回放时判断，系统不能靠一个客观重建误差自作主张。
一个样本走完全程有助于建立依赖顺序。舞者做一段时长自定的动作，缓冲后送入动作编码器得到动作隐向量，对齐网络把它变成音频隐向量，插值并偏向当前选定的音频质心，再送 RAVE 解码为波形播放。舞者说接受才更新 1 次权重，不接受则不更新。这个流程先有表示，后有映射，再有门控学习，缺任何一环都会误读后文的实验。
推理时信号经过哪三站？
方法全景可以记成三站：动作编码、跨模态对齐、音频解码。两个 VAE 各自独立预训练，都用因果卷积且零前视以尊重流式输入的时间结构。推理通路只用动作编码器加对齐模块加音频解码器，不用动作解码器也不用音频编码器。对齐模块同时承担维度映射与隐轨迹速率匹配，运行时配合缓存实现连续生成。
在看散点之前需要先理解作者为什么担心塌缩。初步试验发现直接解码对齐后的音频隐向量时，声音在不同动作乐句之间重复感强。作者把原因归于音频隐空间样本高度集中在主导簇，解码点很可能反复落入同一区域。为此才在训练前用聚类算出一组有代表性且音乐上有趣的质心并存起来，解码前把向量推向当前选定的质心。
下图把两个隐空间的全局关系画了出来，读图时不要把它当成映射箭头，它只是投影后的分布对照。
看图路径： 1. 先看图例中蓝色动作点与橙色音频点的分工，再看横轴 PC1 与纵轴 PC2 的散布范围；2. 观察中心密集重叠区与外围稀疏点的分布差异，理解为何直接映射易塌缩；3. 对比两类点云的离散程度，思考维度与时间分辨率不同带来的对齐难度
论文图 1。原论文 Figure 1：“PCA projections of the movement and audio la- tent space.”。
这张图标题为动作与音频隐空间的主成分分析投影，横轴是第一主成分，纵轴是第二主成分，蓝色为动作点，橙色为音频点。可见两类点在中心大面积重叠，外围散点以橙色音频为主，中心密集而四周稀疏。这种高度重叠加中心聚集的形态，正好对应正文所说的直接解码易重复：若不对解码区域加以约束，对齐输出很容易被吸回同一团声音。后文的质心机制就是为了在这种分布上打开可探索的多区域。
编码器、对齐层和解码器各自算什么？
动作 VAE 编码器的计算很克制。它不对原始测量做归一化或后处理，因为预实验发现原始测量得到的隐空间性质更符合需要。每个传感器每时刻 10 个特征，三传感器拼成 30 维，采样率保持 60 Hz。编码器输出被描述为捕捉该短窗口动作关键特征的隐表示，后文对齐层默认接收的是 8 维动作隐向量。轻量设计不是为了精度竞赛，而是为了把延迟和算力预算让给声音一侧。
音频侧用 RAVE，即实时音频变分自编码器，英文是 Realtime Audio Variational autoEncoder。它的训练分 2 个阶段，先学紧凑隐空间，再用对抗目标提质量，支持从紧凑隐表示做快于实时的合成与流式采样。推理时它只做解码，把连续音频隐轨迹变成原始波形，再用声音播放库实时渲染。论文在测试阶段实际用了两个现成 RAVE 模型，第一天是打击乐色彩的 Darbouka RAVE v2，第二天是 Vintage RAVE v1，两者都注明作者为 Antoine Caillon。
动作变分自编码器编码器 × 音频变分自编码器解码器： 动作变分自编码器编码器负责把 60 Hz 惯性传感流压缩为能反映动作质感的连续隐向量，音频变分自编码器解码器负责把音频隐轨迹渲染为 44.1 kHz 波形，二者搭配的理由是各自模态已预训练出平滑可插值的隐空间，组合意义在于推理时只保留动作到声音的单向通路，中间由对齐模块完成维度和速率转接。
对齐模块本身只是一个前馈小网络：单个线性层加修正线性单元激活，英文是 Rectified Linear Unit，缩写为 ReLU。输入 8 维，输出 4 维。选择简单结构的理由在原文写得很直白：优先考虑实时交互的稳定性和低计算代价，更复杂的结构留作核心行为验证后的扩展。对齐输出先插值以匹配音频解码器的时间要求，再向当前质心偏移，最后解码。
理解质心需要看第二张投影图。它不是系统框图，而是音频隐空间的聚类快照。
看图路径： 1. 先找到浅橙色音频嵌入点形成的中心密集区，再定位红色叉形质心的位置编号；2. 比较中心附近多个质心与外围 1、12、7、5 号质心的距离差异；3. 思考切换质心如何把解码点从主导簇拉向不同声音区域
论文图 2。原论文 Figure 2：“Audio Latent Space PCA with Cluster Centroids.”。
这张图横纵轴同样是第一和第二主成分，浅橙色为音频嵌入，红色叉形为聚类质心并带编号。可见中心密集区周围挤着多个质心，而 1 号、12 号、7 号和 5 号等质心明显落在外围稀疏区。舞者选择或切换质心，实质是选择在哪个区域探索：靠近中心更稳定但易同质化，走向外围则声音行为差异更大。图前导读已说明塌缩动机，这里进一步看到约束的实现形式是离散可选的代表点集合。
隐空间对齐模块 × 质心约束机制： 隐空间对齐模块负责把 8 维动作隐向量映射为 4 维音频隐向量，质心约束机制负责在解码前把插值后的音频隐向量拉向预先聚类出的音乐上有意义的代表点，二者搭配是因为直接解码易落入主导簇而声音重复，组合后舞者切换质心即可在保持连贯的同时探索不同声音区域。
舞者的 yes 如何变成一次权重更新？
对齐训练发生在演出前的专用会话，不是演出中边演边学。流程按轮进行：先选定一个音频质心，舞者表演一段时长自定的动作并存入缓冲，缓冲的动作数据经动作编码器、对齐模块和音频解码器生成声音并立即回放。舞者给出简单的二值判断，接受或不接受，并被邀请解释理由。
只有接受才触发更新。损失被写成对齐模块输入与输出隐表示之间的均方误差，英文是 Mean Squared Error。白话说就是让当前映射更牢固，使类似动作输入未来更可能复现类似的受偏好音频响应。不接受则不更新，从而阻止模型从不符合偏好的例子学习。作者把这称为人体门控学习或偏好条件优化，学习只发生在正评价例子上。对齐模型会被保存，可稍后继续训练或直接用于演出。
训练中舞者可随时保留当前质心或切换到另一个质心，以打开音频隐空间的不同区域，探索不同动作质感对应的声音行为。会话持续到舞者决定停止。需要指出的缺项是，原文没有报告优化器类型、学习率、批量大小和更新步数，也没有给出梯度是否截断到冻结的编码器与解码器之外的细节，只能按证据说被更新的是对齐模型，两个 VAE 是预训练后连接。
人体在环反馈 × 均方误差损失： 人体在环反馈负责由舞者在听完回放后给出接受或不接受的二值判断，均方误差损失负责在接受时计算对齐模块输入与输出隐表示之间的误差并反向传播，二者搭配的理由是只从正例学习可以避免把舞者不认可的声音刻进权重，组合意义是把审美判断转化为门控的优化步骤。
三位舞者在两天里到底做了什么？
评估不是正式演出，而是聚焦隐空间对齐本身的探索性定性会话。3 位职业舞者都有当代舞、即兴与固定编舞、独舞与群舞经验，并且都与交互或声音生成系统合作过。测试在 2025 年 12 月 10 日星期三和 11 日星期四连续 2 天进行，每天约 3 小时，地点在阿尔托大学 Marsio Studios 的多通道实验室。舞者佩戴 Xsens 惯性动捕传感器，按结构化用户测试完成动作任务，全程录音录像作为质性分析材料。
四项动作任务覆盖不同的表现与时间维度：持续手势强调平滑的时间展开，例如缓慢的手臂弧线；微变化测试对速度、重量或形状细微差异的敏感度；重音是在稳定脉冲上的清晰离散手势，例如跺脚或突然的手臂弹击，考察对节奏强调的响应；动态对比在大小与快慢之间交替，突出强度与尺度变化。每位舞者做完四项才换下 1 位。第一天用 Darbouka RAVE v2 对齐打击乐生成，第二天同一任务改用 Vintage RAVE v1，以便比较不同音频模型特性下交互体验的变化。
每次任务后舞者用是或否评价声音相对动作是否相关或合意，分数被反馈回对齐模块增量更新损失。第二天结束时做半结构化小组访谈，3 人依次回应并评论他人观察，主题围绕对齐过程的感知、时机与响应、生成声音的表现质感以及校准适应体验。转录采用轻量逐字方式，分析采用主题分析方法，先贴近原话做初始编码，再把相关编码归成高层主题。
下表把数据采集侧的可核对条件整理成一行可复述的配置，阅读时先确认它回答的是模型见过多少身体数据，而非对齐学得有多好。
| 数据环节 | 参与人数 | 每人时长 | 采样与佩戴 | 输入维度 |
|---|---|---|---|---|
| 动作采集会话 | 3 位舞者 | 3.5 hours | 60 Hz | 30 features per time step at 60 Hz |
| 会话组织 | 3 位舞者 | 10.5 hours total | three Xsens inertial motion trackers | 30 features per time step |
表中数字与单位的写法保留原文，采样与佩戴列的 60 Hz 与三传感器信息用于还原输入流，时长列区分每人与总量。表后需要强调代价与边界：约 10.5 小时全部来自 3 位舞者且未做归一化，动作风格覆盖有限，编码器学到的连续轨迹更可能偏向这 3 人的质感，不能直接推广到任意身体与动作体系。
舞者听到了连贯，哪里又断了？
质性编码得到 4 个主题：动作与声音的感知连贯性、具身与身体化思考、控制与惊喜、能动性与作者身份。感知连贯性指舞者能听出动作痕迹，尤其当声音有清晰结构、分层并能音乐性地延续时。第二天用了层叠更丰富的模型后，多位舞者说更容易把动作检测出来，1 位说结构多了就能听见变化，另 1 位说更容易建立关系。反例同样明确：重音、停顿或突变没有出现在声音里时，舞者描述为 momentarily falling apart，连接断开。
具身主题指理解发生在身体探索而非抽象调参中。舞者用感觉、诠释和延伸等身体隐喻评价声音，把系统比作即兴中 1 人跳舞另 1 人以声音回应。1 位舞者说持续运动时会忘记具体做了什么，而声音中的匹配反而帮助回忆身体感受，但同时又要评价声音，形成双层任务。观察他人如何驱动声音也被报告为学习来源。控制与惊喜的张力在第二天更明显，熟悉后说接受或拒绝变得更容易，加速等连续变化有时能得到响应，但并非每次都灵，延迟和时间压缩感会把玩耍变成挫败。
身体化思考 × 感知连贯性： 身体化思考指舞者通过重复动作、变换变体和观察他人来理解系统而非调参，感知连贯性指舞者能在声音中听出自己动作的痕迹与结构变化，二者搭配是因为评价发生在动作记忆与声音渲染的双层任务中，组合意义在于校准过程被理解为身体探索而非参数搜索。
下图不是曲线而是测试现场的记录，读它是为了确认评价从何种身体与空间条件下产生。
看图路径： 1. 从左到右依次确认三位舞者的站位姿态与佩戴在躯干的传感器束带；2. 观察多通道实验室内壁扬声器与动作捕捉相机的布置，确认表演与记录条件；3. 结合跪姿与站姿动作幅度差异，思考连续动作与离散重音在测试中的不同处境
论文图 3。原论文 Figure 3：“The invited dancers participating in exploratory sessions, sharing their reflections and comments on the audio generated by the crossmodal alignment module.”。
三联照片显示 3 位舞者站在同一多通道实验室内，墙面有点阵声学板与多只扬声器，舞者躯干可见传感器束带，姿态从跪姿手势到站姿各不相同。该图支持的判断是：会话在可控的听觉与记录条件下进行，反馈来自真实的身体尝试而非离线打分；它不支持任何关于映射精度的数值结论。照片中大幅度跳跃与细小手势并存，正好对应后文能动性主题里大跳无响应带来失望的叙述。
控制感 × 惊喜： 控制感指舞者熟悉系统后能更果断地说接受或拒绝并预判声音走向，惊喜指系统给出意料之外但仍与动作有联系的声音延伸，二者搭配的理由是完全可预测会显呆板而完全随机又会断裂，组合意义在于只有音乐上连贯的不可预测才被报告为有生成价值。
另一张整理对齐与反馈条件的表回答的是训练信号如何流动，它不能替代效果表。
| 环节 | 动作表示 | 声音表示 | 对齐结构 | 反馈更新 |
|---|---|---|---|---|
| 隐映射 | 8 dimensional movement latent vector | 4 dimensional audio latent vector | single linear layer followed by a ReLU | mean squared error between the input and output latent representations |
| 时间与判断 | 60 Hz for movement | 44.1 kHz for audio | interpolated to match the temporal requirements | simple binary judgement indicating whether the result is acceptable or not |
表前已提出比较问题：门控更新是否只强化正例。表后解释是：接受才反传均方误差，不接受不更新，这种不对称更新能保持稳定性，但代价是负例信息被丢弃，系统学不到错在哪里。第二天感知连贯性提升同时受到两个混杂因素支持：舞者更熟悉系统，以及 Vintage 模型本身层次更丰富，因此不能把改善全部归因于对齐权重变好。未胜出项必须保留：对重音与停顿的响应被明确报告为不响应，强跳跃无声的例子直接挑战了作者身份感。
质心机制拿掉会怎样，论文给了什么对照？
论文没有做常规的消融数值表，但给了一个机制层面的失败条件对照：直接解码对齐后的音频隐向量 versus 加入质心偏移后再解码。前者被报告为重复或过于相似，后者旨在平衡稳定与多样性，让舞者在不同声音行为之间移动同时保持映射连贯。这个对照的证据是定性的，没有准确率或距离指标，也没有同一动作在有无质心下的成对试听分数，因此只能说它支持质心有必要，不能说它证明了最优质心数或最优偏移强度。
第二个隐性对照是 2 天的音频后端不同。第一天 Darbouka 偏打击乐，第二天 Vintage 层次更多，舞者普遍觉得第二天更响应、更有机、更容易检测动作。这个比较条件并不公平，因为同时改变了模型音色与舞者熟练度，论文也按探索性会话处理，没有声称 Vintage 在数值上胜出。初学者容易把更喜欢听当成对齐更准，作者的编码把喜欢声音与容易连接区分开，但仍提醒第二天的连贯感可能来自音色偏好。
第 3 个可复述的对照是动作类型内部的差异。持续手势、渐变过渡和连续动态更容易被感知为连贯，尖锐重音、停顿和突然空间变化最易失配。这提示隐对齐可能更擅长捕捉流动、重量和连续性等高阶质感，而不擅长离散事件或符号性手势。若要补验证，应固定同一舞者与同一质心，系统记录重音时刻与声音包络峰值的延迟分布，再做有无质心与有无门控更新的对照。
哪些结论现在还不能下？
首先是样本与测量的边界。3 位舞者、2 天、每天约 3 小时的探索性会话，只能支撑关于体验模式的假设，不能支撑关于人群的统计推断。访谈转录与主题分析保留了原话，但编码本身带有解释性，论文引用了舞者 A 与舞者 C 的多段话，舞者 B 的直接引语较少，读者复述时不应把个别引语当成 3 人一致的量化比例。
其次是时间 articulation 的短板。 latency 在序列开头、重音无响应、停顿不被承认、乐句结尾被截断等问题被反复提到。舞者希望控制序列起止并让完整乐句被承认为表现单元，这超出了当前单线性层加插值的表达能力。论文在讨论中承认未来要更好地容纳时间清晰度、空间意识和表演者驱动的分段。
再次是因果与成本的缺项。没有报告误判率、端到端延迟毫秒数、训练步数与推理开销，也没有可部署收益的数字表，因此不能承诺延迟改善或成本下降。总体趋势不等于每步成立：加速有时被捕捉到，有时又毫无反应。把相关性说成因果是常见误读，正确表述是观察支持连续动态更易产生连贯感，待验证的是离散事件的显式建模是否能修复断裂。
要复现，先跑通哪三段代码与数据？
复现的第一步是区分代码开源、权重可得与系统可运行。论文给出项目仓库地址与对齐模块地址，资源状态显示两个代码链接当前可用，已公开。RAVE 侧引用的是第三方公开工作，第一天与第二天用的 Darbouka 与 Vintage 模型需按原作者渠道获取，论文未在本证据中给出可直接下载的权重链接，复现前要先确认许可与版本。附录还列出按舞者与天数划分的演示视频，可用于对照任务流程与二值评价话术，但不能当作训练数据。
数据侧先按原文重建输入：三传感器、右手加胸加右腿、60 Hz、每传感器线速度三轴加线加速度三轴加四元数 4 维共 10 维，拼成每时刻 30 维，不做归一化与后处理。若你的传感器位置或采样率不同，应先记录差异再谈复现，因为编码器隐空间对原始量纲敏感。动作 VAE 与 RAVE 各自独立预训练后再冻结连接，只训练单线性加 ReLU 的对齐层，输入 8 维输出 4 维，插值到音频速率并向所选质心偏移后解码。
训练会话按轮执行：选质心、舞者即兴一段、缓冲编码对齐解码回放、二值判断、仅正例做均方误差更新、保存模型。建议把每次任务的接受与否、质心编号、动作时长与舞者文字理由记成日志，否则后人无法区分熟练度效应与权重效应。硬件预算在证据中未报告，复现报告应补上音频采样率 44.1 kHz 下的缓冲长度、推理缓存策略与实测延迟。
何时值得尝试这种路线：你已有可流式解码的音频隐空间，且表演者愿意花数小时用身体校准而非调参；你更在意质感连续性而非鼓点对齐。若你的核心需求是重音踩点或停顿留白，当前证据提示不要直接套用，而应先补事件检测或分段机制再评估。
这条路为新乐器设计留下了什么？
回到中心矛盾：固定映射改不动，纯自主生成又不听舞者的。SonicMove 的选择是把审美判断留在身体一侧，把学习压缩到最薄的一层。舞者不是调参用户，而是共同设计者，每次接受都把偏好刻进对齐权重。讨论部分把这与黑箱与艺术能动性的摩擦联系起来，认为所有权来自有意义的影响而非完全控制，二值反馈是最小但有分量的作者身份形式。
对新乐器设计而言，可带走的判断有 3 条。第一，隐空间的平滑性不等于跨模态的可理解性，没有质心这类区域约束，解码很可能塌回主导声音。第二，连续质感与离散事件要分开处理，前者是当前对齐的舒适区，后者是明确的失败区。第三，评价协议本身就是乐器的一部分，起止控制、乐句承认与回放时机直接塑造能动性，缺了它们，再好的映射也会被感受为不尊重动作。
未验证的推测应换用可能与待验证表达。可能的是，更丰富的对齐结构或显式节奏建模会改善重音响应；待验证的是，这种改善是否在不破坏连续质感连贯性的前提下发生。下一步最该补的不是更大模型，而是有时间戳的重音与停顿对照测试，以及把负例信息纳入学习的偏好建模。只有补上这些，才能判断人体门控的薄对齐究竟能走多远。
⚖️ 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