扎根又漂移：用实时检出的潜在音阶重调混合演出生态

英文题目：Grounded Yet Shifting: Shaping Hybrid Performance Ecologies with Dynamic Tonality .

会议身份：conference:nime:2026:conference-paper-id:nime2026_48

✅ 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：#信号处理 #音乐 #音乐生成 #音高与旋律提取

评分：5.8/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 0.5/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• John Bowers：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该研究输入为混合演出中持续存在的现场声音，输出为随演出演化的十二度动态音阶及其音符到频率映射，直接驱动键盘重调谐与合成处理，其难点在于音高连续漂移且噪声反馈并存时仍需保持可演奏的 grounded 调性感。音高检测步骤利用流体库音高分析逐帧输出音高估计与置信度对，为后续统计提供带不确定性的原始观测。窗口统计步骤在滑动报告窗内累积检测结果并做八度折叠与离散量化，形成频次与置信度直方图，其输出的当前最常见音与前一窗最常见音直接作为音阶生成的输入。音阶生成与映射步骤基于共现排序、置信度排序与跨窗比值迭代构造五类十二度音阶，并统一映射为保持八度为十二半音差的音符到频率表以驱动演奏与生成算法。与以感觉协和度最大化为目标的自适应调音不同，该方法不预设目标音程，而是从正在发生的声音中挖掘潜在调性并回授给演奏者，因而能在稳定与失稳反馈态之间塑造混合生态。在连续共现生成的迭代条件下，三次迭代的音阶度指标为7，高于两次迭代的音阶度指标5。该结论适用边界受限于即兴与反馈主导的混合声学电子场景，向固定调性曲目与大规模受控听感评估的外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 演示资源：https://unlanded.bandcamp.com/ — 暂时无法访问
• 第三方资源：https://csound.com/ — 链接可访问（HTTP 200）
• 第三方资源：https://learn.flucoma.org/reference/pitch/ — 链接可访问（HTTP 200）
• 第三方资源：https://midi.org/midi-1-0 — 链接可访问（HTTP 200）
• 第三方资源：https://cid.nada.kth.se/pdf/CID-195.pdf — 链接可访问（HTTP 200）
• 第三方资源：https://www.adampultz.com/ — 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

为什么固定音阶装不下这篇论文要解决的演出问题？

输入是这篇论文的研究对象与写作目标。本文解读只依据论文正文证据与本次收到的官方原图像素，不引入外部评价。目标是让刚进入语音音乐音频领域的研究生能复述方法链条。必须保留的信息包括分析工具与参数、5 种音阶的构造规则、7 类演出系统的连接方式以及房间反馈系统的调制清单。输出是按学习依赖展开的技术解读。

论文的任务不是设计一个更准的音高检测器，也不是训练一个作曲模型，而是回答在混合即兴演出中调音本身能否成为实时变量。作者把固定音阶看作一种预先冻结的约定，演奏者只能在约定内部选择音符。本文要把约定本身打开，让正在发声的房间、乐器与电子处理共同决定接下来可用的音高集合。这种思路与常见的新乐器研究不同，后者常把乐器接口与发声内容分开设计，而本文刻意把调性与音色互相缠绕。

动态调性 × 表演生态： 动态调性负责在演出进行中持续计算潜在音阶并输出可演奏的调音映射，表演生态负责把键盘、弦乐器、田野录音、模块合成器、人声与房间反馈等异质资源放在同一个可互相影响的回路里，搭配理由是单一乐器视角无法解释调音如何被集体声音改变，组合后新增的作用是让音阶成为连接聆听、分析与发声的公共调节层。

对初学者而言，可以把白话理解放在前面。动态调性就是演出中不断重新算出来的可用音高表。表演生态就是同时发声的人、乐器、软件、房间与处理回路的总和。论文的起点是如果音高表每 2 秒就可能变化，演奏者如何还能演奏，系统如何还能保持连贯而又不回到固定调性。这决定了后文所有窗口、离散化与映射选择都要服务于可带上台、可即时工作的要求。

已有路线把调音当作什么，本文为何另起一条线？

同输入同目标的对照首先是塞特尔斯等人的自适应调音。塞特尔斯的工作同样在演出中重调乐器，但目标通常是最大化感觉协和度并保持对预设音程集合的忠实。输入是乐器频谱与预设音程，监督来自协和度模型，运行阶段是在线重调。本文的输入同样是进行中的声音，但目标不是逼近某个理想协和，而是找出声音中潜在的调性并交给演奏者使用，不预设必须实现的音程集合。

另一条相关路线是把音符说明与声音合成严格分离的做法，论文以 1983 年出现的 MIDI 标准与 Csound 的乐谱与乐队分离为例。这类做法让控制器只管发序号，合成器只管发声，调音表很少被触碰。本文的对照点在于它故意打破这种分离，让分析结果直接改写控制器到频率的映射。同运行阶段的对照还包括使用特雷门作为手势控制器的自适应调音，以及为现场爵士即兴做自动音阶选择的工作，它们同样在线，但本文强调多资源生态与反馈回路中的持续互调。

论文还把帕奇自制乐器、哈斯的再注入环、帕特的钟鸣作曲法作为美学与技术参照，但这些不是同条件基线，不能当作胜负比较。理解这一点很重要，否则会误把风格引用当成实验对照。本文的价值主张是提供一种规范性更弱、更适合非 idiomatic 即兴的调性观，即调性是在演出中把各方带到一起的临时集合。

要从野外声音里算出可用音阶，难在哪几步？

问题可以拆成 4 个具体动作。第一，输入声音可能是和声、非谐波与噪声的混合，逐帧最佳估计都会给出一个频率，但很多帧并不可靠，如何同时利用可靠与不可靠的估计。第二，连续的分析流必须切成可行动的窗口，窗口太大跟不上变化，太小则统计不稳，如何选一个能上台的折中。第三，检出的连续频率必须离散化为可数的音级，还要决定根音与排序依据，否则无法形成音阶。第四，算出的音阶必须能驱动现有键盘、模块合成器与反馈处理，如何在不更换硬件的前提下完成映射。

论文把约束说得很实际。系统要跑在近期笔记本电脑上，用 Pure Data 实现，带到演出场地期望第 1 次或第二次就能工作，不需要大量预训练与复杂机房。这意味着方法不能依赖大型学习模型或长时间校准。同时它要容忍演奏者给出单音示例与密集簇状和弦两种极端行为，前者希望映射保持稳定，后者允许调音剧烈变化。举例来说，演奏者如果只弹一个长音，系统应能维持可用键盘布局，如果砸下一把簇状和弦，系统应能听出变化并给出新的音阶，这就是例子而非论文报告的测量结果。

整个方法如何从声音走到可演奏的音阶？

沿一个样本走完输入到输出有助于建立全景。假设房间里吉他齐特琴拨了一个和弦并被麦克风拾取，信号进入音高分析，每帧得到频率与置信度二元组。系统累积一段时间窗内的全部二元组，做离散化与统计，得到直方图与置信度排序，再按 5 种规则之一算出 12 个音级并做八度折叠，最后把 12 个音级映射到 MIDI 音符或控制电压或处理参数，演奏者用键盘、缎带或生成算法触发这些频率，新产生的声音又回到房间并进入下一轮分析。这是一个闭环，不是 1 次性链条。

论文用 3 类回路图表达这种闭环。第一类是直接重映射，分析结果改写演奏者与声源之间的控制器映射。第二类是经由生成算法，分析结果先决定生成器的音高词汇，生成器再驱动合成，合成与原始声源混合后重新被分析。第 3 类是房间反馈的 1 对多调制，一个音阶计算同时调制底部多个处理模块。3 种回路共享同样的上游分析与音阶计算，区别只在下游如何作用于声音。这种全景决定了后文组件节的顺序，先讲分析与窗口，再讲音阶构造，最后讲映射与系统集成。

音高分析与时间窗口是如何被具体操作的？

论文早期就固定使用 FluCoMa 库中的流体音高对象，特别看重它在频谱与音色层面 informed 的特点，并在 Pure Data 中开发。该对象提供 3 种算法，倒谱法取倒谱最高峰位置，谐波积谱法实现谐波积谱检测，YinFFT 实现频域版 YIN 算法。作者报告主要使用 YinFFT，理由是它在从谐波到非谐波再到噪声的宽广输入上都能给出可用结果。频率报告范围设为 20 赫兹到 1000 赫兹，目的是减少近直流隆隆声与高频嘶声及其泛音在八度折叠后重复计数。不需要全频带检测也能按后文方式识别音阶。

音高检测 × 置信度： 音高检测负责每帧给出一个最佳频率估计，置信度负责给出该估计的可信程度，分工不同是因为频率值回答是什么音而置信度回答该估计在频谱弥散声音中有多可靠，搭配理由是即兴中常有噪声与非谐波成分，组合后新增的作用是可以按出现频次或按置信度排序生成不同的根音与音阶走向。

窗口方面作者做了粗粒度简化，只探索按时钟时间定义的窗口，在多数探索中每 2000 毫秒计算 1 次新音阶。直觉上这个窗口能容忍不同输入材料的变化速率，又不引入明显的窗口伪迹。论文明确提到其他可能是每 N 个检出算 1 次、每 S 秒报告 1 次、动态改变窗口或用重叠窗口实现局部转调，但这些在本研究中尚未实现。初学者应注意窗口不是中性参数，它直接决定根音在多快的时间尺度上被重新定义。

下面这张回路图把上述分析与窗口放在闭环里理解最为直接，它显示了声音源如何经由分析与音阶计算再返回作用于演奏，阅读时先看主环再看分支汇合才能避免把生成算法误读为离线作曲。

看图路径： 1. 先沿左下声音源到顶部音高分析再到右侧音阶计算的主环路走一遍；2. 再对比上环直接重映射控制器与下环经生成算法驱动合成的两条返回路径；3. 注意下环多出的混合节点把外部声音源与合成声音汇合后再送入分析；4. 核对每个箭头方向是否都构成闭环而不是单向链条

论文图 1。原论文 Figure 1：“Dynamic tonality in a feedback loop to shape generative”。

该图上半环对应直接重映射，下半环对应生成式路径，关键差异是下半环在分析前增加了一个混合节点。混合节点把外部声音源与合成声音加在一起，意味着分析对象不再是纯粹的输入乐器，而是已经包含上一轮生成结果的混合物。这解释了为什么系统会自我偏置或自我扰动，也解释了为什么演奏者可以通过改变输入的频谱清晰度来引导下一轮音阶的走向。图中所有箭头都指向闭合，没有终点，这正是动态调性与固定音阶的根本区别。

五种 12 度音阶各自按什么规则从统计中长出来？

离散化是承上启下的关键。论文对多数方法采用把最常检出的音高当作根音并按出现频次排序的做法，需要把连续频率分箱。作者跟随了四舍五入到最近 1 赫兹的做法，认为这适合所研究的频谱变化很大的材料，也指出若处理更规整的和声材料可以改用 MIDI 式报告。另一类方法以置信度为首要依据，把最可信的检出当根音并按置信度排序，从而允许微分音程与音簇出现。分析与音阶生成原则上支持任意音级数，但作者在音乐折中下固定为 12 度，理由是兼顾复杂性与易选性，并方便映射到 MIDI，同时允许未来在演出中动态改变级数。

共性音阶 × 置信度音阶： 共性音阶以时间窗内出现最频繁的离散音高为根音并按频次排序取 12 度，置信度音阶以最可信的检出为根音并按置信度降序取 12 度，前者强调集体声音的统计中心，后者强调清晰可辨的音高中心，搭配理由是同一段声音的多数与最清晰并不一致，组合后可以同时驱动两个声部并让它们从同一起音逐渐分叉。

5 种方法的动作可以复述如下。共性音阶取出现频次最高的 12 个音高，最高为根音，其余按频次排序并做八度折叠，常呈回文式上下行，扫键时音高可能上下跳跃，若不足 12 个则复制补齐。拉伸共性音阶仍以最常见者为根音，但第 12 度取最稀有者，中间 10 度取等距分箱，目的是让高音级更可能引发整体转调，且与共性音阶并用时两声部从同一起音逐渐分叉到第 12 度最大分歧。置信度音阶取最可信的 12 个并按置信度降序排列，从根音向高音级走即走向不确定性，同样做八度折叠。

八度折叠 × MIDI 映射： 八度折叠负责把根音之外的所有检出音高移调到根音到 2 倍根音之间，MIDI 映射负责把 12 个动态音级对应到 12 个 MIDI 步进并保持八度等于 12，前者解决检出频率跨越多个八度无法直接当音阶用的问题，后者解决常规键盘与电压控制器需要稳定接口的问题，组合后新增的作用是演奏者可以用熟悉的半音手势弹奏完全非十二平均律的实时音阶。

另两种是跨窗口生成式音阶。记当前窗最常见音高为当前值，前一窗最常见者为前值，计算比值并把小于 1 的值对称化为大于等于 1 的生成子，例如下行八度变为上行八度，下行纯四变为上行纯五，0.4 变为 1.25。以根音为起点迭代乘除该生成子并做八度折叠，每迭代 1 次在最新派生度上继续派生并去重，2 次得 5 度，3 次得 7 度，4 次得 9 度，5 次得 11 度，再在 1 与 2 的几何平均即根号 2 处补第 12 度作为三全音不协和点。按置信度跨窗生成则是用相邻窗最可信音高之比作生成子，其余相同。MIDI 映射保持八度等于 12 个步进，根音可固定到选定 MIDI 值或就近到常规音高，前者对根音变化敏感，后者更平滑，两者各有音乐用途。

为核对参数条件，先提出比较问题。在相同分析前端下，5 种音阶的根音来源、排序依据与窗口是否一致，指标方向是能否复述出 12 度与时间窗的原文设定。下表把离散化与窗口的关键数字放在同一视图，公平条件是都基于流体音高对象的逐帧输出，指标是频率范围、窗口时长与音级数。

该表的主要收益是把可复现的 3 组数字固定下来，20 赫兹到 1000 赫兹限定了分析带宽，2000 毫秒限定了重算节奏，12 度限定了演奏接口。代价是这些都是作者的折中而非最优，论文未报告改变窗口或级数时的系统行为，也未给出不同分箱粒度下的音阶稳定性。未胜出项是按检出个数或重叠窗口的方案，它们被明确提及但未被实现，因此不能当作已验证的替代策略。

本研究有没有训练阶段，实际计算过程是什么？

本研究没有神经网络训练阶段，也就没有梯度路径、参数冻结与更新、监督损失或重置时机的报告。不能把无训练等同于确定性求解，因为音高检测在噪声与非谐波输入下逐帧都可能变化，且窗口统计与演奏者行为共同决定输出，系统输出仍是非确定的。同样不能从使用现成库推定输出确定，库只是提供逐帧估计，音阶层面的漂移来自统计与映射。

实际计算过程是规则式实时分析加查表式映射。训练一节在此承担方法职责，复述为每帧调用 YinFFT 得到频率与置信度，在 2000 毫秒窗内累积，离散到 1 赫兹，统计频次直方图与置信度排序，按所选音阶规则计算 12 个频率并做八度折叠，再按 MIDI 或控制电压映射输出。所谓学习只发生在演出时间尺度上，即下一窗的根音与生成子被上一窗的声音改变，没有离线优化器，没有权重下载，没有数据集划分。论文明确回避需要大量预训练与复杂算力的方案，这既是艺术研究的选择，也在伦理声明中被表述为避免能源密集型计算。

缺项必须指出。论文未报告分析帧长、跳长、采样率、中央处理器占用或延迟，也未报告不同算法在相同材料下的检出率对比。复现时应先固定这三项并记录，否则 2000 毫秒窗口的含义会因帧率不同而漂移。

演出系统与房间反馈以什么条件组织验证？

实验条件在这里不是实验室对照，而是可带上台的系统搭建与长期演出经验。作者报告超过两年的现场即兴经验，包括独奏与合奏，并指出技术已进入多张发行录音，最突出的是可在 Bandcamp 页面找到的专辑，但本次资源核查显示该演示链接本次未能确认可达，因此不能写已公开可听，只能说论文正文给出了该地址。第三方工具中 Csound、FluCoMa 音高文档、MIDI 标准与 2 位艺术家页面本次确认可达，可作为背景查阅。

6 个概念验证器分别围绕键盘、弦乐器、田野录音、模块合成器、连续可变管乐器与人声组织，第七个是更详细的房间反馈系统。键盘系统用常规 MIDI 键盘驱动采样与自研可变波表振荡器合成，波表由实时微采样生成，三振荡器可铺展、硬同步、相位调制与弯音。弦乐系统用齐特琴驱动 5 个卡普拉斯斯特朗物理模型并配以改编的钟鸣作曲法。田野录音系统用风车、火车、瓶口风、隧道交通与海边风筝 5 组素材混合后驱动滤波器敲击与调谐延迟线。模块系统用直流耦合接口把频率转为控制电压驱动 Serge 振荡器。哨子与人声系统分别用 5 路颗粒延迟与脉冲合成制造可变调影子。

房间反馈系统的条件更具体。房间麦克风驱动多路处理再送回房间，处理清单包括调制房间声音的环形调制器、16 路颗粒流的音高中心、波导调谐、5 路延迟线的调谐与铺展、频谱加总噪声的移调、梳状滤波器缩放、高共振滤波器、凯撒方波调制延迟线的上下移调以及改编自帕克特的钟声三和弦延迟合成。作者报告在该应用中通常使用相邻共性生成式音阶，理由是它对调性变化敏感且迭代出的远端音级适合反馈音乐的形态。

为核对系统覆盖度，提出比较问题。各系统是否都共享同一分析与音阶计算而只在下游不同，公平条件是都以实时声音为输入，指标是声音来源与调音对象的对应关系。下表把 7 类系统的关键设备与数字放在同一视图。

该表显示 breadth 方面的存在性证明，即同一套调性计算可以装配到异质资源上。代价是各系统没有统一的评价指标与试听条件，专辑与视频只是示例而非受控比较。未评测边界包括不同场地混响、麦克风摆位与演出时长对音阶漂移速度的影响，论文未给出这些变量的系统记录。

长期演出报告了哪些可观察的变化与合奏效果？

论文直接报告的结果是定性演出经验而非定量指标。第一个 enriched 点是更容易找到反馈的不稳定点，例如两种反馈模式相互闪烁再解决到第 3 种模式，或找到增强区。由于回路中多个处理可调谐，演奏者可以用音阶选择把系统推向不稳定或增强，也可以用拉伸共性音阶的稀有端向房间注入远离当前调性的材料，形成相对独立的层。第二个点是合奏中的汇合能力，与微分音吉他合作时可以用调谐反馈影射吉他，与模块二重奏搭档合作时可以在 pitched 与噪声之间找到可强化的音高感，或依音阶与音级选择制造多中心张力。

支持这些判断的证据是作者描述的持续响应特性。分析算法在演出全程持续工作而不需要事先校准，因此能跟随微分音演奏，12 个可能性会聚拢在房间里实际出现的音高周围，便于触达与同伴相关的音。这种跟随性在固定音阶系统中难以实现，因为固定系统需要预先知道调中心。

下面这张房间反馈图把 1 对多调制的机制说清楚，它是理解上述结果的钥匙，阅读时先确认顶部分析链再数底部模块才能把文字清单与图像对应起来。

看图路径： 1. 先从左上房间声音节点沿横向箭头找到音高分析与音阶计算；2. 再沿音阶计算向下发散的多条斜线数出底部九个处理模块的名称；3. 最后沿底部模块回到底部混合节点再返回房间声音的闭合路径；4. 比较该图与前一图的差异在于一对多调制而非单一重映射

论文图 2。原论文 Figure 2：“A room feedback system in which dynamic tonality”。

该图可见顶部房间声音节点向右引出音高分析再向下进入音阶计算，音阶计算向下发散出多条线分别进入底部 9 个处理模块，底部模块再汇入混合节点返回房间声音。与前一图相比，这里不是单一返回箭头而是扇形调制，意味着 1 次音阶更新会同时改变环形调制、颗粒、波导、再注入、噪声合成、梳状与共振滤波、延迟与钟声合成的参数。这种结构支持了论文所说的既能强化又能扰动的双重能力，但像素不能精确读出每次调制的数值量，因此不要把线的疏密当作调制深度。

房间反馈 × 表演性组合： 房间反馈负责把房间麦克风拾取的声音经多种处理再送回房间形成可演化的声场，表演性组合负责把协和理解为把多方声音实际带到一起的行动而非固定的泛音比例，前者提供不稳定点与增强区的物理来源，后者提供评价标准，组合后新增的作用是动态音阶可以在反馈回路里既强化正在出现的调中心也可以故意注入远端音制造独立层。

必须区分报告与推测。论文报告的是能 steering 出更多音乐现象，支持的是动态调性扩大了可达状态，但未测量听众辨别率、调音误差或系统稳定时间的分布，因此不能承诺协和度或可控性得到改善。相关性不等于因果，合奏融合感可能来自演奏者适应而非音阶本身。

换一种音阶或映射，音乐行为会发生什么可预期的分叉？

论文没有做消融实验，但提供了可当作条件对比的机制描述。按证据展开两类特有细节。第一类是共性与拉伸共性的并用。两者根音相同但高音级取样不同，从同一起音出发随音级升高逐渐分歧到第 12 度最大分歧，即使所有音高都与同一分析有关，听感上仍会从齐奏走向复调。第二类是相邻共性生成与相邻置信度生成的分叉。两者生成子来源不同，一个用频次最高者之比，一个用最可信者之比，随迭代次数增加差异会被放大，适合制造多声部不同律制并存的局面。

另一类是 MIDI 根音映射的两种选择。固定到选定 MIDI 值时，小的界面动作可能因根音跳变而产生大的输出跳变，适合追求突变；就近到常规音高时，相邻 MIDI 值在窗间更连续，适合平滑过渡。论文未给出两种映射下的跳变幅度分布，复现时应记录根音轨迹与输出频率轨迹才能比较。

失败条件也有提示。若输入频谱极度弥散，低置信度估计占主导，按置信度排序的音阶会出现微分音簇，键盘扫键将不再有明确方向感。若演奏者持续给出密集簇状和弦，键盘映射会剧烈变化到不可预测，这在论文中被视为可能性而非错误，但对需要准确复奏的场景就是边界。未胜出项是固定 12 平均律映射，它在可预测性上胜出但在跟随房间声音上落败，论文选择动态方案是以牺牲可预测性换取生态响应性。

哪些关键数字与验证目前还是缺的？

缺失证据不是技术错误，但必须逐项点名。首先是分析链的底层参数。帧长、跳长、采样率、中央处理器占用、端到端延迟均未报告，2000 毫秒窗口与 1 赫兹分箱的可复现性因此受限。其次是评价。没有听感实验、没有音高跟随准确率、没有误调率、没有不同场地的重复测量，长期演出经验不能替代受控评估。

再次是比较。不同音高算法、不同窗口、不同音级数、动态调性开与关的对比均未测量，不能从系统能工作推定动态调性必然更好。

适用条件也有限。方法假设总能从混合声音中检出可用的潜在调性，若房间极安静或全是宽带噪声，直方图与置信度排序可能失去音乐意义。八度折叠假设八度等价仍成立，若研究目标是完全抛弃八度，当前映射不再适用。12 度假设服务于 MIDI 兼容，若要 20 度以上的微分音乐，需要重新设计控制器与可视化。

资源状态方面，论文正文给出的 Bandcamp 地址本次未能确认可达，不能作为可听证据引用。第三方文档本次可达，但它们只是工具说明，不支持音乐效果判断。未来验证至少需要补三项。在固定曲目与固定房间下记录开关动态调性的对比录音并做盲听，记录根音与生成子的时间轨迹以量化漂移速率，记录不同窗口与级数下的演奏者操作负担。

想复现这套系统，第一步先搭什么再调什么？

复现先做最小闭环而非 1 次搭全。第一步在 Pure Data 中调通流体音高对象，选择 YinFFT，设报告单位为赫兹并限定在 20 赫兹到 1000 赫兹，打印逐帧频率与置信度，确认在单音、和弦与噪声下都有输出。第二步实现 2000 毫秒累积窗，离散到最近 1 赫兹，统计频次直方图与置信度排序，输出两种根音。第三步先实现共性音阶与置信度音阶的 12 度计算与八度折叠，用正弦振荡器试听扫键，确认回文式上下行符合预期。第四步再实现跨窗生成子与迭代派生，并在根号 2 处补三全音，记录生成子轨迹。第五步做 MIDI 映射，先用就近常规音高的平滑模式，再试固定 MIDI 值的敏感模式，对比根音跳变时的输出跳变。

关键超参数与信息条件要保留。窗口 2000 毫秒、12 度、1 赫兹分箱、20 到 1000 赫兹是原文明确的起点，不要一开始就改。控制器方面常规键盘可直接用，模块合成器需要直流耦合接口，田野系统需要缎带控制器。代码开源、权重下载与系统可运行要区分，本研究没有训练权重，只有分析库与自研补丁逻辑，复现重点是补丁而非模型下载。

何时值得尝试。若演出是开放即兴且希望调音跟随房间，值得尝试共性或置信度音阶。若追求准确复奏固定作品，则不值得，或应把动态系统只用在效果层。还需补的验证已在上一节列出，动手前先决定记录哪些轨迹，否则事后无法判断变化来自系统还是演奏者。

扎根又漂移的美学意味着什么，下一步往哪走？

综合全文，方法选择是用轻量实时统计代替预设调性约束，最强证据是房间反馈系统中 1 对多调制的可演奏性与合奏跟随描述，主要代价是映射不稳定且缺乏定量验证。论文把这种状态命名为扎根又漂移，扎根指每一窗都有可演奏的临时根音与音阶，漂移指根音与生成子随房间声音持续变化。它既不回到奏鸣曲式的回归闭合，也不主张彻底无根，而是让多个临时的、内在于声音的根并存并可演奏。

未来工作按原文可分为接口、乐器与算法三线。接口包括增强缎带控制器、特雷门家族设备、自由手势视频分析、高分辨率多点触控加调性提示投影，以及正在搭建的 60 余键霍尔效应衍生 Tonnetz 键盘，其左右位置反映生成子迭代顺序。乐器线是探索物理可重调乐器，使其重调时间尺度与分析窗口匹配，而不是只在数字域重调。算法线包括不同频谱与音高分析、窗口与分箱、放松八度假设、极端微分音、多调性并存，以及借鉴慢速人工智能学习思路在反馈场景中进一步放慢变化。

对初学者的特有误解需要澄清。动态调性不是自动调准到更协和，它可能故意制造不协和的三全音与远端层。表演生态不是设备清单，而是声音经由分析与调制回到房间的因果闭环。读完应能复述从声音到频率与置信度再到窗口统计再到 5 种音阶再到映射与回路的完整链条，并能说出每一步的原文参数与缺项，这才是可核对的技术理解。

📐 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 1 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