当按压力不再等于出声音：用感觉变弱来检验数字乐器的控制感

英文题目：Towards Sensory Attenuation as a Measure of Agency Provided by Digital Musical Instruments.

会议身份：conference:nime:2026:conference-paper-id:nime2026_130

✅ 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：#心理声学实验 #听觉与音乐认知 #音乐 #音频交互

评分：5.7/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.7/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.7/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Erik Løvaas：机构信息未能从会议 PDF 纯文本可靠映射
• Courtney Reed：机构信息未能从会议 PDF 纯文本可靠映射
• Paul Strohmeier：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入是单路压力手势对合成器音色的连续调制，输出是演奏者对自身发声响度的隐式自归因判断，难点在于连续演奏无法划分离散动作效应间隔且显式报告易受事后合理化污染。方法先由可配置映射引擎将归一化压力流经线性与非线性压力映射及含指数滑动平均能量态的时间映射生成音色变化，以隔离映射复杂度。接着演奏者在固定MIDI旋律上主动调制并以数量估计法报告峰值响度，其估计进入下一步作为主动条件感知强度。然后同一录音在回放时再次估计峰值响度，两者差值经被试内标准化后作为感觉衰减代理并辅以半结构访谈三角验证。与时间绑定依赖离散动作效应间隔不同，该机制直接在持续感觉运动环内检验预测与反馈匹配导致的感知钝化，因而更适配连续乐器交互的体验质量。在人口统计设置下，男性组的人数指标为9，高于女性组的人数指标2。该结论适用边界受限于高音量可感知区与小样本音乐家群体，低音量注意增强与映射交互解释仍尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://github.com/openai/whisper — 链接可访问（HTTP 200）
• 第三方资源：https://supercollider.github.io/ — 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，读完要能复述什么？

这篇解读的对象是刚进入语音音乐音频的研究生，输入是论文正文证据与官方原图像素，目标是把方法讲到可核对可复述。必须保留的信息包括系统如何把压力变成声音、实验如何把演奏与回放对比、统计用了什么模型和什么数字、访谈发现了什么反例。输出不做营销式判断，只讲论文实际做了什么、证据支持到哪里、哪里没有测。

论文研究的不是通用音频生成质量，而是一个乐器设计问题。当演奏物理乐器时，动作与声音之间本来就有复杂的非线性关系，而在数字乐器中这层关系完全由映射决定。简单的 1 对一映射透明好学但表现力受限，复杂的非线性或带状态映射更像原声乐器也更有表现力，但可能让演奏者更难预判自己的动作会带来什么声音。生成式人工智能让映射更不透明，于是作者退一步，先找一个可控且更易理解的扰动来检验能动感测量方法是否可行。

能动感 × 自我归因： 能动感指演奏者体验到自己在控制动作及其后果，自我归因是其中负责把结果分类为自己造成还是外部造成的成分；论文用自我归因搭配能动感的理由是前者可以通过感觉减弱间接测量，从而把难以直接内省的前反思体验变成可在演奏与回放对比中计算的指标，组合意义是把宽泛的能动判断收敛为可操作的比较器预测是否命中。

读完本篇，你应当能复述三件事。第一，作者为什么不用时间绑定而用感觉减弱。第二，压力线性和时间线性各自改了系统的哪一段计算。第三，为什么结论要加一个音量阈值限定。后文按学习依赖展开，先讲相关路线，再讲系统全景与组件计算，然后讲实验条件、结果与反证，最后讲复现要点。

为什么时间绑定不够用，感觉减弱能补什么？

能动感文献常区分两种成分。一种是事后判断，受信念和社会线索影响，可以用自陈报告收集。另一种是当下的前反思体验，它在被判断塑形之前就已产生，测量更难。时间绑定是常用隐式指标，它测量动作与结果之间主观时间被压缩了多少，常用 Libet 时钟或间隔估计完成。它的前提是能切出清晰的离散动作到结果对，例如按 1 次键后延迟出现一个声音。

音乐演奏恰好违反这个前提。演奏是连续调制，是手势与声音之间持续耦合的闭环，复杂的合成层和动态反馈让因果间隔难以定义。论文因此转向感觉减弱。它的经典例子是自己挠自己不痒、自己触摸感觉更弱，解释是传出副本产生对感觉后果的预期，预测命中时感觉响应被抑制。因为它不需要离散试次计时，可以在持续的感觉运动环内评估，所以被作者选为连续演奏场景的替代指标。

感觉减弱 × 比较器模型： 比较器模型分工是产生动作后果的内部预测并与传入感觉比较，感觉减弱分工是当预测与反馈一致时主观强度下降的现象；两者搭配的理由是减弱幅度可以反推预测有多准，组合后论文得到一个不需要离散按键加延迟估计的连续演奏可用指标，区别于依赖时间压缩的时间绑定。

同类工作还提醒两点。第一，映射设计是乐器感的核心，线性映射保持比例关系，非线性映射引入阈值效应，时间相关映射引入历史依赖，都会改变可预测性。第二，在生成式系统讨论中，显式报告可能只是事后合理化，例如把挑选生成图说成自己创作，因此更需要不依赖 conscious 解释的知觉指标。论文把这些线索收敛为 3 个待检验问题：响度估计能否捕捉减弱，不同动作到声音映射如何影响减弱，回放音量如何影响减弱。

论文把什么定义为任务，操作化步骤是什么？

论文把任务定义为检验感觉减弱能否作为数字乐器所提供能动感中自我归因成分的隐式代理指标。这不是要证明某种映射更好听，而是要验证测量方法在映射变化下是否仍有意义。操作化分为两条路。隐式路是心理物理实验，被试边演奏边估计响度，之后再听同一段录音并估计响度，2 次估计之差经标准化后称为减弱值。显式路是半结构访谈，追问被试认为系统做了什么、是否感到自己引起变化、是否感到控制、能否预测、是否享受。

举例说明只是教学例子，不是论文数据。假设某学生第 1 次按压时听到滤波器打开，第二次同样力度却因为系统能量残留听到更闷的声音，他可能在访谈里说无法形成直接对应。论文要看的正是这种不一致是否伴随减弱值的系统变化。关键是 2 次估计必须时间解耦，否则被试可能认出自己的录音并凭记忆重复数字，这会污染隐式指标。论文用固定的录制与回放块交替顺序来降低这种记忆复述。

任务成立依赖两个假设。第一，预测越准，自我产生声音的主观强度越低。第二，映射复杂度通过改变可预测性来改变预测精度。论文并不声称感觉减弱覆盖能动的全部含义，而是明确把它限定为自我归因的代理，这是理解后文音量阈值讨论的前提。

系统全景：一次按压如何走完到声音？

先沿一个样本走完输入到输出。演奏者的压力输入进入手势控制器，同时模式选择决定本次使用线性还是非线性压力、线性还是非线性时间。响应整形器结合当前压力与系统能量算出每个参数的乘子，调制控制再结合包络与映射模式算出新参数值，最后分别调制合成器音源的波形、调制低通滤波器截止频率、调制波折器增益，声音经扬声器回到演奏者耳朵形成闭环。旋律音高本身由固定 MIDI 回放提供，被试只负责用控制器自由调制声音。

这段导读对应系统架构图，重点是看清主路径与 3 条模式线的分工，避免把音高生成与音色调制混为一谈。

看图路径： 1. 先从顶部演奏者出发，沿压力输入箭头找到手势控制器再到响应整形器；2. 再看模式选择器分出的三条控制线分别进入响应整形器和调制控制；3. 最后沿底部合成链核对波形、滤波器、波折器三个被调制目标的顺序

论文图 4。原论文 Figure 4：“System architecture showing how pressure input and mode selection modulate sound parameters.”。

从像素可见，顶部是演奏者小人，虚线表示压力输入进入蓝色手势控制器，实线表示模式选择进入深绿模式选择器。模式选择器再分出控制模式、有状态性和映射模式进入响应整形器与调制控制。底部是合成链，合成器音源经低通滤波器再经波折器到扬声器，另有一条 MIDI 回放同时驱动音源与包络触发。系统能量模块从手势控制器取历史并回送能量值给响应整形器，这是时间非线性的记忆来源。理解这张图后，后续压力曲线与时间平均才有落点。

压力分区与时间记忆：两处非线性各改了什么计算？

硬件与软件先交代清楚。手势输入用 Expressive E Touché，只取一路压力流以保持映射空间可解释，输入以 MIDI 连续控制器消息进入 Max/MSP，经归一化到 0 到 1，每 15.625 毫秒即 64 赫兹重采样并平滑，以减少拉链噪声并稳定后续有状态处理。声音目标是 3 个互补的音色控制：低通滤波器截止频率、脉冲振荡器占空比、波折器。论文说这些范围选到可听但不在低压就饱和。

压力非线性用 3 段分段线性实现。线性压力条件下，压力在全量程映射占空比从 50% 到 85%。非线性压力条件下，滤波截止从 0% 的 100 赫兹激活到 50% 的 6000 赫兹饱和，占空比从 33% 的 50% 占空比到 66% 的 95% 占空比，波折器音量从 50% 的 0.5 倍到 100% 的 10 倍。不同参数在不同压力段激活，形成无需显式切换的模式切换感。

这段导读对应非线性压力响应曲线，重点是看清 3 条线起点不同、斜率不同、饱和点不同。

看图路径： 1. 先确认横轴是压力百分比、纵轴是归一化调制量；2. 再比较蓝色滤波、橙色占空比、绿色波折增益三条线的起点和饱和点；3. 最后看背景色块划分的控制分区在哪里重叠或单独激活

论文图 1。原论文 Figure 1：“Nonlinear pressure response curves showing how filter cut-off (blue), duty cycle (orange), and wavefolding (green) vary with input pressure.”。

从像素可见，横轴是参数值百分比从 0 到 100，纵轴是归一化调制量从 0 到 1。蓝色滤波线从原点最早上升并在中段先饱和，橙色占空比线从约三分之一处起步随后上升，绿色波折增益线从约一半处起步并延续到最右。背景色块标出不同参数组合激活的控制区，整体是非线性但局部仍是直线段。这解释了为什么大力按压更容易听到失真类显著事件。

时间非线性通过迟滞实现。系统维护一个潜变量系统能量，用近期输入历史的指数滑动平均计算，当前压力与系统能量等权混合得到有效控制信号。同样瞬时压力在不同历史轨迹下输出不同，产生平滑与历史相关沉降，类似超吹阈值与返回路径。线性时间条件不做该处理。

压力映射 × 时间映射： 压力映射负责把瞬时按压力度翻译成音色参数的激活量，时间映射负责把历史按压累积成系统能量再混入当前控制；两者搭配的理由是分别扰动动作维度和记忆维度，组合意义是可以分离是阈值分区让预测变难，还是迟滞让同一按压对应不同声音，从而检验维持能动感是否需要两个维度同时可控。

实现层面论文还提到 Max/MSP 的可视数据流适合快速原型，并说明 SuperCollider 与 Pure Data 也能满足同类需求。资源状态显示本次收到的第三方链接中 SuperCollider 文档与 Whisper 仓库当前可用，但这只是工具可达性，不代表论文系统代码已公开。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络，也没有更新任何模型权重，因此不存在梯度路径、优化器、冻结层或早停可报告。把无训练理解为系统输出确定是错误的，因为输出仍受演奏者实时手势、系统能量历史、音量条件与随机旋律回放影响。

实际计算过程是规则与信号处理。输入处理做归一化与平滑，响应整形按压力线性选择查分段函数，时间线性选择决定是否混入指数平均得到的系统能量，调制控制按包络缩放后再映射到截止频率、占空比与波折增益的具体区间。转录环节调用既有模型推理，访谈录音用 OpenAI Whisper 转写并经人工校对，这属于工具调用而非本研究训练。编码环节由作者在 Taguette 中编码并用可视亲和聚类整理主题，属于定性分析流程。

缺项要明确指出。论文未报告指数平均系数之外的系统搜索过程，未报告延迟测量与计算开销，未报告扬声器校准曲线。因此复现时不能从 Max/MSP 名称推定具体对象参数，只能按论文给出的阈值、比例与采样率重建。

被试、试次与测量：条件是否公平可比？

被试纳入标准是有音乐背景且能熟练使用至少一只需要精细手部控制的乐器，理由是器乐技能可迁移到陌生控制器且更能描述交互体验。实验采用被试内设计，自变量为压力线性与非线性、时间线性与非线性、音量安静与大声。压力与时间按块呈现，音量在块内随机以减少重复反应。每人每条件重复 8 次即每音量 4 次，条件顺序部分平衡以缓解顺序与学习效应。

任务流程是每个试次产生一段短演奏，固定旋律由 MIDI 回放供给声音引擎，被试自由调制。每次录制评 1 次，之后回放再评 1 次，2 次之差为隐式自我归因指标。为减少认出自己录音，录制块与回放块按固定序列交替。指导语要求用任意数字报告相对响度，越大越响，可给首试次定锚例如 100，并估计峰值响度。熟悉阶段用随机旋律发生器且压力与时间均设为非线性，鼓励探索轻重快慢手势。

响度估计 × 感觉减弱值： 响度估计分工是让被试用自选数字报告每次演奏峰值响度，感觉减弱值分工是把回放估计减去现场演奏估计并按被试标准化；搭配理由是自选量尺不能直接跨人比较，必须先标准化再做差，组合后正值表示回放听起来更响即现场被减弱，负值则表示方向反转，成为检验自我归因的核心因变量。

下表提出比较问题：在相同被试内，试次量与人口结构是否足以支撑后续方差分析，指标方向如何定义。表前公平条件是所有被试走完相同 4 乘 2 乘 4 结构，指标方向是回放减现场为正表示现场被减弱。

表后解释是该设计用被试作区组因素，可分离个体量尺差异，但 12 人中 1 人因多试次给出相同估计含客观音量不同试次也被排除，有效 11 人，350 个有效差值另有 2 个缺失。离群值用中位数绝对偏差阈值 4 筛查未发现问题，估计按人转 z 分数。代价是样本小且年龄集中在 20 到 29 岁，推广到其他群体需谨慎。未胜出项是听力轻微恒定损失的 2 人仍被纳入，未单独建模，这是边界条件。

设备条件是单只 FBT J 5A 有源扬声器置于被试前方约 80 厘米，单声道输出，Touché 输入灵敏度设为 40%。分析用三因素方差分析加被试区组，因变量为回放减现场的标准化差值。

主结果：什么显著，什么不显著，方向意味着什么？

先看映射参数表，它回答非线性到底把声音推到哪里。表前问题是线性与非线性压力在数值上差在哪里，公平条件是同一压力归一化输入，指标方向是参数激活越早、范围越宽则显著事件越多。

表后解释是主要收益是非线性压力把显著失真推到高压区，这为后文大音量下减弱更易出现提供机制线索。代价是三参数激活区交叠，无法把某次响度变化唯一归因到某一个参数。反例是部分被试报告听到音高变化，尽管音高由 MIDI 固定，这说明音色变化可被误听为音高，响度估计可能混入音色显著性。

这段导读对应减弱值点图，重点是不要把曲线向下直接读成性能变差，而要先确认零点与正负方向。

看图路径： 1. 先确认纵轴零点含义和正值表示回放被评得更响；2. 再按左起四组压力与时间组合比较绿色低音量点群与橙色高音量点群的上下位置；3. 最后看最右全部条件合并列中两组均值置信区间是否分离

论文图 2。原论文 Figure 2：“Differences in estimates of live audio and recorded audio.”。

从像素可见，纵轴是距零减弱的标准差单位，正值表示录音被评得更响。左起 4 组分别为压力时间线性组合，最右为全部条件合并。每组内绿色低音量点群多在零下，橙色高音量点群多在零上，组均值大圆点与 95% 置信区间上下分离明显。图注明确只有音量效应统计显著，非线性压力加线性时间数值上最高、双非线性数值上最低，但映射差异未达显著，须谨慎解释。

前反思能动感 × 反思后能动判断： 前反思能动感分工是动作进行当下的、未经解释的控制体验，反思后能动判断分工是事后结合信念和社会线索重构的因果解释；搭配原因是问卷容易混入事后合理化，组合意义是论文坚持用演奏中响度减弱做隐式指标，再用访谈收集显式判断，两路对照才能看出大音量下隐式减弱成立而小音量下反转的边界。

下表是核心数字表，回答什么效应可靠、效应量多大。表前公平条件是同一标准化差值、同一方差模型，指标方向是正为预期减弱方向。

表后解释是论文报告显示音量强烈调节减弱，高音量符合预测即主动控制声音被评得弱于回放，低音量方向反转即现场被评得更响。被试区组显著说明个体差异大。未胜出项是压力与时间主效应及交互均不显著，因此不能声称某种映射可靠地增强减弱。限制是低音量反转的注意解释只是可能机制，论文用可能与待验证口吻提出，即主动时更关注细微变化而回放时关注下降，这不是已验证因果。

映射组合与访谈反证：哪里支持，哪里打架？

把映射当作消融来读。数值趋势上非线性压力加线性时间减弱最高，双非线性最低，线性时间组总体更强。但因统计不显著，这些只能当作待验证模式。访谈提供了机制线索。多名被试说非线性压力加线性时间最易预测，显著的波折失真让动作效果更可感知，线性时间又保留了动作到效果的稳定链接。双非线性则是显著但意外，预测误差大，自我产生体验下降。

这段导读对应质性聚类图，重点是看清显式判断与隐式指标如何分工。

看图路径： 1. 先找到上方橙色虚线框内的能动与控制主题及其五个子块；2. 再找到下方蓝色虚线框内的系统响应与自主主题及其三个子块；3. 最后看左侧绿色享受块如何横跨两个大框形成交叉

论文图 3。原论文 Figure 3：“Overview of qualitative clusters grouped into three meta-clusters: (1) perceived agency and control, (2) system responsiveness and autonomy, and (3) affective and experiential…”。

从像素可见，顶部橙色大框为感知到的能动与控制，内含效果幅度、 gesture 效果对应、声音特征影响、因果不一致、控制程度 5 个子块。底部蓝色大框为系统响应与自主，内含响应不一致、可预测与学习、分布式能动 3 个子块。左侧绿色享受块横跨两框，说明享受既与可控性有关，也与神秘探索有关。访谈细节支持这种交叉，有人因直接效果更享受，有人因神秘探索更享受。

反证必须保留。第一，响度控制实际未实现，但 8 人报告影响响度，多人说响度变化不可靠，有时变有时不变，说明估计混入滤波打开与失真带来的响度错觉。第二，时间非线性体验分裂，有人觉得平滑，有人觉得波浪甚至可做震音，有人说无差别，有人说该条件效果最强。第三，控制判断多为部分或间歇，有人说只能朝想要的声音靠近但到不了，有人说大部分声音预先决定。第四，有人把系统当合作者，需要卡点如冲浪般在正确时刻按压。这些都说明映射到自我归因不是单调关系，显著性、时间对齐与比例感缺一不可。

哪些结论不能下，缺了哪项验证？

论文直接报告的是音量主效应显著、压力与时间主效应不显著、高低音量单样本均偏离零但方向相反。有限解释是感觉减弱可用但只在输出超过显著性阈值时成立。未验证推测是注意调节解释双非线性机制，以及生成式音乐会放大同样趋势。这些在措辞上要分别用报告显示、支持、可能待验证区分。

缺失证据不是技术错误，但必须点名。样本有效 11 人，功效不足以检测映射交互。音量只设两档，无法画出阈值曲线。学习效应存在，被试自述两三次后可预测、末尾更能预测，但条件顺序只做部分平衡，无法分离学习与映射难度。未测量误判率、延迟、计算成本与帧率，不能承诺这些量得到改善。总体趋势不等于每组每步成立，尤其映射排序不能推广。

相关性不是因果。访谈中效果显著与控制感正相关，但可能是显著事件更容易被记住，也可能是控制感让人更注意显著事件。论文未做中介检验，因此不能说提高失真必然提高能动感。同样，低音量反转不能直接写成低音量无能动感，它只说明该响度估计范式在该区间不表现为预期减弱。

要复现，先固定什么，再跑什么？

复现先固定信息条件。固定 MIDI 旋律供给而非让被试弹音高，被试只调制音色。固定压力归一化、64 赫兹采样与平滑、Touché 灵敏度 40%、扬声器距离约 80 厘米、单声道输出。固定压力三参数阈值与饱和点，以及时间能量指数平均系数。固定指导语为自选数字、首试次可定锚、估计峰值响度。固定录制与回放交替序列，避免被试凭记忆重复。

再跑流程。先跑熟悉阶段并把压力与时间设为非线性，鼓励轻重快慢探索。再按块跑压力与时间组合，块内随机音量，每条件 8 次。每次录制后立即记录现场估计，之后回放再记录回放估计，手动记入表格时核对缺失。分析前按人标准化，计算回放减现场，用被试作区组的三因素方差分析检验音量、压力、时间，再对高低音量分别做单样本 t 检验并做 Holm 校正。

访谈按六问推进。先问认为系统允许做什么，再解释系统原理后追问是否感到引起变化、是否控制、能否预测、是否享受、有无目标及努力。每问都追问是否某些设置更明显。转录可用 Whisper，但须人工校对，编码保留原始表述。代码与权重状态是第三方工具当前可用不等于本系统可一键运行，复现应按附录模块重建而非假设下载即用。

何时值得尝试这种测量，还需补哪项验证？

当你的乐器是连续调制、难以切出离散动作结果对，且你想比较不同映射的可预测性时，值得尝试感觉减弱加响度估计。它不依赖事后解释，能在演奏中捕捉预测是否命中。当输出较弱或变化细微时不要直接套用，因为本研究显示低音量方向反转，需要先确认显著性阈值。

论文特有的误解要澄清。第一，非线性不等于差，显著的非线性加稳定的时间仍可能支撑自我归因。第二，响度估计不等于响度控制，被试报告的响度变化多来自音色显著性，不能反推系统实现了响度映射。第三，把系统当合作者不等于测量失败，它恰好说明当预测失配时显式判断会转向分布式能动，这正是隐式与显式对照的价值。

还需补的验证很具体。补音量多档阈值曲线，补大样本对映射交互的功效，补学习曲线的显式建模，补延迟与响度校准报告。若要外推到生成式音乐，需把旋律生成也纳入操纵，并区分前反思减弱与反思后著作权声称，避免把问卷上的认领当成感觉层面的自我产生。

📐 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。

区域 1 · 查看论文原页

另有 7 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