不用调音台，只看参考录音：笔记本如何告诉吉他手该调大还是调小

英文题目：Automatic Live Music Soundchecking with Reference Audio on a Laptop.

会议身份：conference:nime:2026:conference-paper-id:nime2026_117

✅ 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：#时频分析 #用户研究 #音乐 #音频交互 #音乐源分离

评分：6.5/10 | 创新 1.2/2 | 技术严谨 0.8/1.5 | 实验充分 0.6/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：系统技术报告

👥 作者与机构

• Matthew Keating：机构信息未能从会议 PDF 纯文本可靠映射
• Michael Casey：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

小型现场演出无调音台与调音师，贴近音箱的吉他手难以感知观众区平衡，个人参考录音中的混音意图也难以落地，系统需在笔记本内置麦克风拾取的混合声中给出可执行建议。SoLAR先以源分离将现场混合与参考录音分解为鼓、吉他、贝斯、人声四轨，再按Bark临界带计算每秒24带的感知乐器主导度以压缩混音摘要。24个频带神经网络以前一秒演奏开关映射参考混音的理想配比，与现场摘要作差得到混音差异，硬编码策略据阈值输出调大、调小或保持并经大图标界面提示吉他手。与已有自动现场混音直接控制调音台不同，该机制指导演奏者转动音箱旋钮或改变演奏力度，并允许即兴而不必复刻参考吉他声部。在60秒仿真片段设置下，-60dB随机初始条件的增益偏差指标为-60dB，低于+60dB随机初始条件的增益偏差指标+60dB，硬编码策略以总奖励分数显著优于随机游走与保持不动基线并使终态收敛至参考增益附近。该结论适用边界受限于单吉他四件套与响度控制，双吉他并入同一轨、欢呼混入人声及房间声学变化等情形尚未验证。推理开销上Demucs每段处理延迟可达九秒，测试硬件为2019款MacBook Pro笔记本内置麦克风。

🔗 开源与复现资源

• 代码相关资源：https://github.com/mbkeating/SoLAR — 链接可访问（HTTP 200）
• 第三方资源：https://doi.org/10.5281/zenodo.7817838 → https://zenodo.org/records/7817839 — 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，哪些信息必须保留？

这篇论文解决的是小场地没有调音台和调音师时的吉他音量问题。输入有两个：一是乐队认可的参考录音，代表我们想要的混音风格；二是笔记本内置麦克风在观众区听到的当前现场演奏，时长按秒切分。输出不是自动拧旋钮，而是给台上吉他手看的大字建议：调大、调小或保持。

为什么必须保留参考录音这个输入？因为论文反复强调不存在通用的好混音，垃圾摇滚可能希望吉他靠前，民谣可能希望吉他退后。如果丢掉参考录音，系统只能猜一个平均审美，就失去了乐队个性。同样必须保留的信息是当前谁在演奏。如果贝斯这句没演奏，它在低频缺席是正常的，不能误判为贝斯太小声。所以系统先判断 4 个声部是否发声，再谈音量是否合适。

对刚入门的读者，可以把整个任务想成对照作业：参考录音是范文，现场是草稿，系统是拿着听觉尺子帮你找差距的助教。它不替你写歌，也不替你弹琴，只回答音量方向。后续所有听觉计算、神经网络和仿真，都是为了让这个对照在旋律变了、即兴变了、房间变了之后仍然稳定。

自动混音有哪些路线，SoLAR 站在哪条线上？

论文把相关工作分成 3 类。第一类是录音室自动混音，在数字音频工作站里调已经录好的多轨，难点在于效果器不可微、效果器之间互相干扰。第二类是现场自动混音，通常做法是识别乐器再按感知响度自动推增益，但仍然假设有调音台或调音师。第 3 类是更以人为中心的辅助，例如给语言模型做分步建议的数据集，或给调音师用的智能工作站。

SoLAR 与它们输入和目标都不同。同输入对照是都要处理多乐器混合声，但 SoLAR 的输入多了参考录音，目标不是输出成品母带，而是输出吉他手能执行的动作。同目标对照是都想解决现场听不清，但传统现场系统依赖调音台推子，SoLAR 只依赖吉他音箱旋钮、吉他音量旋钮、演奏力度和效果器，运行成本只是一台笔记本。同监督对照是都想利用参考歌曲，但录音室工作里参考歌曲常是工程师心里的人工参照，SoLAR 把它变成可计算的每频带占比目标。

这样定位后就容易理解论文为什么不用端到端生成混音。因为现场没有分轨推子可用，吉他手在台上只能做大幅度少选项的动作，系统必须把复杂的听觉差异压缩成 3 个离散建议。这也解释了为什么论文花很大篇幅讲界面和试用：建议看不懂或时机不对，算法再准也落不了地。

为什么只先做吉他音量？任务被如何形式化？

论文把首次落点收窄到吉他响度，有两个务实理由。第一是吉他手对响度有连续可控手段，音箱旋钮、琴体音量、拨弦力度和单块都能改变输出，接到建议后能立刻行动。第二是响度有成熟的仿真手段，可以用效果器库对分离出的吉他轨加减增益来模拟调乱的现场，便于在仿真环境里反复试验。作者也说明第一作者的主乐器就是吉他，便于自己大量试弹。

形式化上，论文把调音看成强化学习问题。状态是当前混音与理想混音的差，动作集合只有 3 个：调大、调小、保持。奖励与差值绝对值之和的相反数成正比，也就是差距越小奖励越高。求解目标是让最终的吉他增益偏差回到接近 0 分贝。值得注意的是状态里不直接包含增益偏差数值，智能体只能看到听觉后果，这更接近真实调音：观众区的人听到的是太突出或被淹没，而不是看到旋钮刻度。

举个教学例子帮助理解，但例子数值仅为示意，不代表论文测量值。假设某秒中频段吉他占比远高于参考，差值求和为很大的正数，策略就会建议调小；如果吉他手照做，下一轮差值变小，奖励变高。论文实际用的阈值在后文方法中交代，仿真验证的是这种简单规则是否胜过随机游走和原地不动。

系统全景：从两路音频到一条建议要走几步？

跟着一个 1 秒的现场片段走完全程最清楚。现场混合声先经过音源分离得到四轨，再经过感知主导度算法得到 24 个频带各自的四乐器占比。与此同时，参考录音离线走过同样的分离和感知计算，并训练出一个从演奏状态到理想占比的映射。运行时系统不再需要参考波形，只需要根据当前谁在演奏查出理想占比，然后用实际占比减去理想占比得到误差，最后按吉他误差之和查策略表给出建议。

这段导读对应系统总览图，图中上下两条支路分别处理现场和参考，中间汇合为差值求和与阈值判断，建议先看主路径再看分支条件。

看图路径： 1. 先从左向右看上下两条支路：上为现场一秒音频，下为参考一秒音频；2. 确认两条支路都经过音源分离和感知主导度计算；3. 找到中间差值求和模块，再看右侧大于阈值调小、小于负阈值调大的分支；4. 注意下方参考支路标注为神经网络近似，说明现场运行时不直接用参考波形

论文图 1。原论文 Figure 1：“We start with live audio and a reference track.”。

上图把关键取舍说得很直白。现场和参考都用同样的分离加感知流程，保证比较的是同一种表示，而不是拿波形直接相减。参考支路下方标注为神经网络近似，意味着在线运行时理想混音是预测出来的，不是把参考同一时刻的音频拿来硬对齐。这样吉他手可以即兴演奏，不必复制原曲的吉他乐句。最后的判断只看吉他误差总和是否超过阈值，把 24 乘 4 的矩阵压缩成一个动作，这正是为了让台上的人能执行。论文在该图注中说明阈值取 3，后文还提到 4 与 5 效果相近，说明该阈值不是极端敏感的单点。

听觉表示怎么做：分离、分频带、算主导占比的操作是什么？

第一步是音源分离。论文使用 Demucs，把混合声分成鼓、人声、贝斯和其他四轨，其中其他被当作吉他。作者也提到 Demucs 有能直接分出吉他和钢琴的六轨模型，但在这套数据上四轨更稳定，所以系统保留切换能力但默认用四轨。现场运行时每轮录 5 秒音频，因为 1 秒数据对 Demucs 太少，这直接决定了系统的处理延迟量级。

第二步是按 Bark 临界频带算感知主导度。对每轨做短时傅里叶变换，窗口和跳长都取 1 秒对应的采样点数，得到随时间变化的频点幅度。再按 Zwicker 给出的 24 个临界频带边界遍历每个时刻和每个频带，在该频带内先算全部四轨幅度的 95 分位线，然后数每个乐器超过该线的频点个数，最后除以总数得到该频带四乐器占比。遍历完所有时刻和频带，就得到时刻数乘 24 乘 4 的数组。论文用 95 分位而不用最大值，是为了让同一频带跨时刻的变化更连续，可视化时低频贝斯、中频吉他、瞬态鼓的结构更清晰；作者也说明试过 90 分位、75 分位，95 分位可视化效果更好。

音源分离 × 感知乐器主导度： 音源分离负责把混合录音拆成鼓、吉他、贝斯、人声四轨，解决谁在发声的问题；感知乐器主导度负责在每个 Bark 临界频带内比较四轨谁最强，解决混音听起来谁压住谁的问题。二者搭配的原因是直接比较波形幅度会被旋律和编曲变化淹没，而先分轨再按听觉掩蔽做归一化，才能得到与具体音符无关的混音摘要，组合后每秒输出 24 乘 4 的占比数组。

临界频带 × 掩蔽： 临界频带负责按人耳分辨率划分频率，论文采用 Zwicker 等人的 24 个频带边界；掩蔽负责解释同一频带内强音让弱音更难被听见的现象。临界频带提供比较的容器，掩蔽提供只看主导成分的理由，二者组合后论文用 95 分位幅度统计每个频带的主导乐器，既保留了低频贝斯、中频吉他等可解释结构，又丢掉了与混音判断关系较弱的细节。

看图路径： 1. 先看左侧输入框：四个乐器的开或关二值状态；2. 再看中间隐藏层标注的 64 单元和激活方式；3. 最后看右侧输出框：四个乐器占比之和为 1 的分布示例

论文图 4。原论文 Figure 4：“Neural Network architecture for 24 models map- ping playing on/off values to reference mix composition.”。

上图是 24 个小模型中某一个的结构示例，不要把它误读为整个系统只有一个大网络。左侧是 4 个乐器的开或关输入，中间是 64 单元的隐藏层，右侧是该频带四乐器占比输出，输出层用归一化保证加起来为 1。示例中鼓、吉他、贝斯为开，人声为关，输出中吉他占 0.66，鼓占 0.24，贝斯占 0.1，人声为 0.0，图注提示这很可能是一个中频带。论文强调 24 个模型结构相同但参数独立，目的是减少频带之间的参数共享和模糊，这是在实验中试出来的选择。

混音差值 × 策略函数： 混音差值负责用当前实际占比减去预测的理想占比，得到 24 乘 4 的误差，正值表示该乐器在该频带比预期更突出；策略函数负责把吉他对应的 24 维误差求和并与阈值比较，输出调大、调小或保持。差值提供状态，策略函数提供动作，二者组合后把复杂的听觉比较压缩成吉他手能执行的旋钮动作，论文取阈值为正负 3。

实际建议规则非常简单：取吉他实际减预测的 24 维向量求和，大于 3 调小，小于负 3 调大，否则保持。奖励是差值绝对值之和的相反数，差距越小越好。这个规则没有用深度强化学习训练，是作者观察混音行为后手写的，后文仿真用来检验它是否真能把调乱的增益调回去。

理想混音如何学：谁在演奏的标签从哪来，网络怎么训练？

理想混音的学习起点是判断谁在演奏。论文对每轨按 10 毫秒子段算均方根能量，只要 1 秒内任一子段超过静音阈值，就认为该乐器在演奏。阈值是在 John Mayer 数据集上实验得到的常数，作者也讨论过可以为每支乐队现场录一段来动态定阈值，但为了减少配置时间先用固定值。这样每秒得到 4 位二进制编码，共 16 种组合。作者试过更细的意图特征，例如区分和弦伴奏还是独奏，但信息太多在现有数据上容易过拟合，所以退回简单的开或关。

有了演奏编码，论文用 24 个小神经网络分别学习一个频带的映射。每个网络输入 4 维二值，输出 4 维 0 到 1 之间的占比，隐藏层 64 单元加非线性，输出层归一化保证总和为 1。训练用均方误差，10 轮，学习率 0.01，批量 32。训练数据来自 John Mayer 在纽约 Webster Hall 的 Little Wing 现场录音，经 Demucs 分离后算出真实占比作为监督。作者坦诚分离并不完美，部分吉他独奏被分到人声轨，观众欢呼鼓掌也被分到人声轨，训练时没有用额外元数据去清洗。

下表把听觉表示和训练的关键配置收拢在一处，便于复现时逐项核对，表中数值与单位保留原文写法，裸值不擅自补单位。

上表提出的问题是哪些参数是写死的、哪些是可换的。公平对照在于同一套分离和同一套频带划分下比较。指标方向很明确：感知图应保留乐器分工结构，预测与真实在视觉上接近。表中 5 秒录音一项说明系统不是逐秒实时，而是按轮次录制加处理，这带来后文界面的等待设计。需要指出未胜出或未验证的一面：六轨 Demucs 和更细的演奏特征都被试过但未采用，论文没有报告它们完整的误差数字，只说稳定性和过拟合原因。

这段导读对应真实与预测混音的对比图，上行是训练集，下行是留出测试，左右分别为真实与预测，建议按颜色块结构阅读而不要逐像素读数。

看图路径： 1. 先确认四宫格布局：上行是训练集 500 秒，下行是留出测试录音；2. 每行左侧为真实分布，右侧为预测分布，横轴是时间步，纵轴是临界频带；3. 对比颜色块：绿色偏吉他、红色偏人声、蓝色偏低频贝斯、黑色偏鼓；4. 观察预测图更平滑但主结构保留，测试集细节差异更大

论文图 3。原论文 Figure 3：“Actual vs predicted mix. The top row is actual (left) vs predicted (right) for 500 seconds of audio in the training set.”。

上图显示预测比真实更平滑，但主要结构得到保留：低频蓝色偏贝斯，中部绿色偏吉他，红色竖线偏人声或吉他独奏串扰，顶部黑色偏鼓的缺席。训练集 500 秒的左右两图更接近，留出测试的下行差异更大，中频段预测与真实的均方误差有轻微分叉，但作者认为视觉上仍相似。像素不能精确辨别的步数和误差值不要硬读，论文也没有给出逐频带的数字表，所以这里只能说趋势支持映射学到了组合到占比的粗结构，不能说每个频带都精确。

演奏状态检测 × 理想混音映射： 演奏状态检测负责用均方根能量判断 4 个乐器在当前 1 秒是否在演奏，输出 4 位 0 或 1 编码；理想混音映射负责把这个 16 种组合之一映射到 24 个频带各自的四乐器占比。搭配的原因是没演奏的乐器自然听不见，不能据此判断它音量小了，必须先知道应不应该出现，再查理想占比，组合后系统能在吉他即兴、不复制原曲吉他声部的情况下仍给出合理期望。

仿真和现场分别怎么搭：数据、扰动、界面时序是什么？

仿真用健身房式环境组织。每次重置随机取 60 秒带分离轨的音频，用 Pedalboard 把吉他轨随机加减增益，范围是负 60 到正 60 分贝，模拟被调乱的现场。每步根据策略动作改 1 次吉他增益，再把四轨加起来算总混音和奖励。论文比较了 4 种策略：手写阈值策略、每步随机选动作的随机游走、停在初始随机增益不动、训练 100 幕的深度 Q 网络。奖励按混音差值绝对值之和的相反数计算，回合结束看总奖励和最终增益偏差。

现场试用在大学 90 人音乐厅进行。设备是 2019 款 MacBook Pro，用内置麦克风放在观众区，吉他接 Marshall 音箱，伴奏是去掉吉他轨的参考录音经房间音箱播放。2 名熟练吉他手参加，1 人用 Eric Clapton 与 Derek Trucks 的 Layla 现场版，1 人用 John Mayer 的 Little Wing。每人按屏幕指示边听伴奏边弹，可以即兴，不必复制原曲吉他。研究者与另 1 名等待的吉他手坐在观众区记录可读性、时机和建议是否合理。

参考曲目 × 仿真环境： 参考曲目负责定义这支乐队想要的个性化声音，例如 John Mayer 现场版 Little Wing 的吉他位置；仿真环境负责用 Pedalboard 对吉他轨加减增益来模拟调乱的现场，再检验策略能否调回去。参考曲目提供目标，仿真环境提供可重复的扰动和回报计算，二者组合后可以在不每次搬乐队进排练房的情况下比较不同策略。

界面时序是理解延迟的关键。初版是启动 10 秒、提示演奏 3 秒、录音 5 秒、处理小于 9 秒、建议展示 10 秒的循环；改版后隐藏了录音和处理界面，只在有动作建议时亮屏。录音用 PyGame 写的大字全屏界面，保证远处可读。下表把仿真扰动和部署条件的关键数字收拢，便于判断结论适用边界。

上表要回答的比较问题是扰动范围是否足够大、收敛区间是否足够窄。公平条件是同一批 60 秒片段和同一奖励定义下比较 4 种策略。指标方向是总奖励越高越好、最终增益偏差越接近 0 分贝越好。表中从正负 60 到正负 12 分贝是论文直接报告的区间，不是逐幕平均加减标准差，原文也没有给出总奖励的数字表，所以不能把该区间误读为每幕都精确落到同一数值。未评测的边界包括房间混响、人群噪声、麦克风型号差异和参考与演出曲目不同时的表现，论文在结论中明确列为未来工作。

仿真和两人试用分别显示了什么，又没显示什么？

仿真结果是论文最强的证据。报告显示手写策略在每幕总奖励上持续最高，明显超过随机游走和原地不动两个基线；最终吉他增益偏差从初始的正负 60 分贝区间被持续调整到正负 12 分贝区间，可解释为把调乱的增益调回了参考附近。深度 Q 网络训练 100 幕后能达到相近奖励，但作者认为对当前只有音量的任务过重，未来加入均衡、混响或失真等维度时再考虑强化学习训练。论文还提到阈值取正负 4 或正负 5 效果相近，说明结论对阈值小幅变化不敏感。由于原文没有给出奖励均值、方差和显著性检验数字，这里只能转述方向性结论，不能补写具体的胜出分差。

现场试用是小样本的形成性验证，不是疗效试验。2 名吉他手各自多次调音后，最终响度在本人多次试验之间是一致的；Little Wing 的最终吉他响度被演奏者和听众认为合适，Layla 的最终吉他被认为偏大。作者把 Layla 偏大归因于该现场录音有两把吉他，而 Demucs 把两把吉他都分到其他类，导致理想占比本身偏大。这是一个有价值的反例：参考本身的编制与现场编制不一致时，系统会学到偏大的期望。

这段导读对应改版后的界面截图，建议先看信息密度如何从四屏压缩到有动作才亮屏。

看图路径： 1. 先看左上准备界面：只保留倒计时数字；2. 再看右上隐藏处理界面：仅显示省略号，不再显示录音和进度条；3. 最后看下方建议界面：大字体方向词加喇叭和三角图标，远处可读

论文图 9。原论文 Figure 9：“Redesigned GUI screens. From left to right and top to bottom: get in position, listening/processing (hidden), instruction to turn up amplifier.”。

上图左上是准备倒计时，右上是录音加处理时的隐藏屏，只显示省略号，下方是调大的大字建议配喇叭和三角图标。像素可见的变化是去掉了录音倒计时数字、处理百分比进度条和保持不动的常驻提示。2 位吉他手反馈初版文字和进度条在演奏时很分心，不需要被提醒开始演奏，因为默认就在弹；改版后 2 人都认可新设计更符合边弹边看的需求。但这只是 2 人访谈的一致意见，没有任务完成时间或误读率的定量测量，不能推广为所有乐手都偏好极简界面。

哪些设计被试过又放弃：阈值、模型拆分、特征粒度如何取舍？

论文的对照不是标准消融表，而是分散在正文的取舍说明。第一组是策略阈值。主阈值取 3，作者说明 4 与 5 效果相近，这支持阈值在小范围内鲁棒，但没有报告阈值取 1 或 10 时会怎样，也没有报告不同音乐段落是否需要不同阈值。第二组是 24 个小模型对一个大模型。作者说用 24 个独立小模型是为了减少频带间参数共享带来的模糊，这是基于实验的选择，但没有给出大模型在均方误差上差多少的数字，只能理解为架构选择的定性依据。

第三组是演奏特征粒度。作者试过比开或关更细的特征，例如区分和弦与独奏，但发现信息太多在现有数据上容易过拟合，所以退回 4 位二进制。这说明当前数据量支撑不起细意图建模，也暗示未来若有更大更多乐队的数据，可以重新引入演奏方式特征。第四组是分离轨数。四轨更稳定所以默认用四轨，六轨保留为可切换选项，但没有报告六轨在感知图和仿真奖励上的完整对比。

综合看，这些取舍都指向同一个逻辑：用最粗但稳定的表示先让系统跑通。代价是系统对编制差异和分离错误很敏感，Layla 双吉他的反例就是证明。复现时应优先保留这些已验证的粗配置，再单独做单变量替换并补上误差数字，而不是同时改多个模块。

边界在哪里：编制、噪声、延迟和样本量带来什么限制？

第一个限制是编制 mismatch。系统假设参考的四轨编制与现场一致，一旦参考里有两把吉他或大量观众噪声被分到人声轨，理想占比就会偏离单吉他现场的合理期望。Layla 试用偏大就是直接证据。这意味着选用参考录音时必须检查乐器编制，翻唱编制不同的歌需要谨慎。

第二个限制是声学与设备边界。论文提到现场混音难在房间声学和人群噪声，但仿真用的是干净分离轨加增益扰动，没有建模房间混响、麦克风指向性和观众噪声；现场只用一台笔记本内置麦克风在一个音乐厅测试，没有报告不同笔记本、不同摆位或满场观众时的表现。处理延迟也来自 Demucs，每轮处理可达 9 秒量级，论文用隐藏界面缓解观感，但没有报告从弹错音量到看到建议的端到端延迟分布。

第 3 个限制是样本量和测量。现场只有 2 名吉他手，1 人弹三遍 Layla，1 人弹两遍 Little Wing，访谈问题避开了诱导性提问并通过了伦理审查，但仍然只能说界面迭代方向得到支持，不能说系统对所有吉他手有效。仿真也没有报告随机种子、幕数、奖励方差和统计检验，深度 Q 网络只说训练 100 幕达到相近奖励，没有给出学习曲线。这些缺项不是技术错误，但决定了结论的适用范围：仿真支持手写策略优于随机和不动，现场支持 2 人可用并偏好极简界面，超出此范围的说法都属于待验证。

要复现这套系统，先做什么，需要哪些代码和数据？

先准备参考录音与分离环境。论文开发用 John Mayer 在 Webster Hall 的 Little Wing 现场录音，来自 Live Music Archive，分离用 Demucs 默认四轨。复现时第一步应跑通分离，检查吉他独奏是否串到人声轨、观众声是否集中在人声轨，并保存四轨波形。第二步按 1 秒窗算短时傅里叶变换，用 Zwicker 的 24 个频带边界和 95 分位规则算出真实占比，可视化检查低频、中频和瞬态结构是否符合预期。第三步按 10 毫秒子段算均方根能量，用固定阈值得到演奏编码，再训练 24 个 64 单元小网络，监督为真实占比，损失为均方误差，10 轮、学习率 0.01、批量 32。

再搭建仿真与现场链路。仿真需要健身房式环境和 Pedalboard，每幕取 60 秒片段，对吉他轨加负 60 到正 60 分贝的随机增益，再用手写阈值策略逐步回调，看最终偏差是否回到正负 12 分贝区间。现场需要一台笔记本放在观众区，用内置麦克风按 5 秒一轮录音，大字全屏显示建议。代码方面，论文脚注给出 SoLAR 仓库链接，资源状态显示当前可用；第三方 Pedalboard 的存档链接本次也可达。需要注意区分代码开源、权重下载和系统可运行：有仓库不等于一键可运行，还需补 Demucs 版本、采样率、1 秒窗点数和阈值等细节。

还需补的验证包括：同一参考不同房间的重复性、不同编制参考的误差方向、不同阈值下的奖励曲线、24 小模型对单大模型的误差数字。若要换歌，应先确认参考与现场编制一致，否则先做声部对齐或重新选参考。

何时值得尝试这套方法，一句话如何复述？

当乐队没有调音师、只有笔记本可放在观众区，且有编制一致的参考录音代表理想声音时，SoLAR 的思路值得尝试：先把混音问题变成可比的听觉占比，再把占比差距变成吉他手能做的 3 个动作。它的可复述流程是分离四轨、按 24 个临界频带算主导占比、用演奏开关预测理想占比、用实际减理想的吉他总和查阈值给建议。

不支持的期待也要说清。它不解决均衡、混响和失真，不处理双吉他或编制变化，不承诺实时逐秒跟随，也不承诺在所有房间和麦克风下同样有效。仿真只支持手写策略优于随机游走和原地不动，现场只支持 2 名吉他手可用并偏好隐藏等待界面的极简设计。后续若要扩展到贝斯、人声或其他效果，应先在仿真里加入对应扰动并补上奖励数字，再做多人多房间的试用，而不是直接把阈值和网络照搬过去。

📐 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 3 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

← 返回 nime-2026 论文汇总