舞者身体如何实时转向音乐 Transformer：Con Moto 的可配置代理

英文题目：Con Moto: Embodied Steering of Music Transformers for Live Dance Improvisation.

会议身份：conference:nime:2026:conference-paper-id:nime2026_7

✅ 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：#Transformer #实时处理 #音乐 #符号音乐生成

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.4/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 1.0/1.5 | 可复现 0.1/0.5 | 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

• Zhixing Chen：机构信息未能从会议 PDF 纯文本可靠映射
• Heidi Lei：机构信息未能从会议 PDF 纯文本可靠映射
• Cheng-Zhi Anna Huang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

Con Moto面向双人舞蹈即兴，以深度相机估计的舞台位置、活动量与动作模体为输入，输出多声部符号MIDI与八通道空间化音频，难点在于同时维持音乐连贯性、可舞性与低延迟响应。相机分析进程先从关节轨迹提取位置、活动水平与显著运动模式，并经OSC以交互速率发送至中枢；Max/MSP中枢再对特征滤波平滑与量化，转为音高范围、乐器配置与和声等高层控制消息后送入生成模型。微调后的前瞻音乐Transformer负责符号生成与调度，并由Ableton按运动能量渲染力度音色与空间位置后回放给舞者形成闭环，其中解码以舞台位置相关的音高掩码直接限制采样分布，以六个半音以上变化才触发再生并保留未来二百五十毫秒已生成内容抑制抖动，另以色度编码器经交叉注意力注入大小调和声条件使音高选择跟随和声上下文。与离线迭代扩散类动作到音乐方法不同，该工作坚持在MIDI域推理时改写分布而非优化隐空间，从而兼顾可解释控制与实时可舞所需的节奏稳定性。在哈佛音乐厅两幕双人备演评测场景下，现场观众人数指标为约70人，高于自愿问卷受访者人数指标的6人。该结论适用边界受限于哈佛音乐厅约七十人面前的两幕双人备演剧本，尚未验证开放即兴、更多舞者与非西方风格的外推能力，而推理开销与延迟方面古典独奏可在交互速率下连贯生成，三乐器以上合奏需大幅降低输出密度才能维持实时，吞吐与延迟未做数值披露。

🔗 开源与复现资源

• 演示资源：https://con-moto-nime.github.io/ — 链接可访问（HTTP 200）
• 第三方资源：https://openreview.net/forum?id=EBNJ33Fcrl → https://openreview.net/challenge?redirect=%2Fforum%3Fid%3DEBNJ33Fcrl — 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

输入是什么，输出是什么，为什么不能只放音乐？

这篇解读面向刚进入语音、音乐与音频的研究生，目标是让你能复述 Con Moto 做了什么、依赖什么输入、在什么条件下成立。输入是舞台上舞者的身体运动，由深度相机连续采集；输出是实时播放给舞者听的生成音乐，舞者听到的同时又用动作改变下 1 次生成。必须保留的关键信息是：系统分两层控制，一层在符号生成时转向 Transformer，另一层在声音合成时渲染 MIDI；演出是无固定乐谱的双人即兴。

现场约 70 名观众，事后只有 6 份观众问卷，因此所有关于感知的结论都是定性反思而非对照实验。输出是 1 篇可核对的方法复述，不做超出原文的效果承诺。论文要解决的矛盾是：如果给舞者直接的低层音符控制，系统就退化为普通乐器；如果模型完全自主，舞者会觉得意图不透明。Con Moto 想在两者之间提供可配置的代理感，让同一套装置有时像可演奏的乐器，有时像有自主性的伙伴。

理解这一点后，再看具体路线选择才有依据。

同类路线做了什么，Con Moto 为何选 MIDI 加掩码？

先把相关工作按相同输入、相同目标来对照。第一条路线是动作声音化，把关节角度、速度或加速度映射为音乐参数，优点是延迟低、因果清晰，缺点是多为确定性映射，音乐结构深度有限。第二条路线是神经动作到音乐生成，例如用 RAVE 做音色迁移或用轻量自编码器从视频直接到声音，优点是反应快、质感新，缺点是缺乏传统作曲中的和声与结构。第 3 条路线是扩散式的动作音乐对齐，音乐质量与节拍对齐分数更高，但迭代去噪难以满足现场流畅交互的低延迟要求。

Con Moto 选择 MIDI 事件而非直接音频波形，理由在原文写得很明确：MIDI 推理更快、延迟更低、表示更可解释，且合成参数可独立于生成模型调节。另一条对照是文本生成的推理时控制，那些方法常需辅助分类器或梯度更新来施加语义约束；但在符号音乐域，音高、起始与持续是显式表示的，因此可以用简单的确定性约束实现控制，无需昂贵优化。这个选择决定了后文掩码与交叉注意力的实现形态。

任务如何定义，什么算成功？

任务可以表述为：在现场双人自由风格即兴中，从连续的身体运动流生成多乐器 MIDI 并实时合成，使舞者既能施加可感知的音乐影响，又能体验模型的独立音乐决策。举例说明：舞者从舞台左侧走到右侧，系统应让活跃音区随之移动，但具体弹哪几个音、什么节奏仍由模型按风格决定。成功不是还原某段固定乐曲，而是维持可舞性与可协商性：有稳定脉冲可跟随，有动机可回应，同时保留偏离预期的时刻。

论文用两幕四场的叙事来检验这种成功，舞者从控制单个声部到扮演乐器再到扮演风格流派，代理级别逐步抬高。需要注意，原文没有定义自动化的节拍准确率或音高错误率，评价依赖舞者第一人称反思与观众自愿问卷，因此复述时不能把沉浸感描述转写为量化胜负。

系统全景：一个样本如何走完一圈？

先沿一个时刻的样本走完全程。2 名舞者在舞台上即兴，深度相机以立体视频采集，姿态估计输出关节位置，动作分析提炼为舞台位置、肢体速度与双人距离等运动学特征。这些特征经开放声音控制协议送入 Max/MSP 中央枢纽，枢纽做滤波、平滑与量化，输出两路控制：一路是给生成器的令牌转向，包括活跃音高区间、可用乐器与风格；另一路是给数字音频工作站的 MIDI 控制，包括音色、力度与发音。

Transformer 持续产生符号 MIDI，送回工作站合成，再经 8 通道空间化与调音台播出，舞者听到后调整动作，形成闭环。为平衡算力与音频稳定，原文把空间追踪放在带图形处理器的 Windows 笔记本，把 Max 与 Ableton 放在 MacBook，把原生 C++ 生成引擎放在高性能个人电脑，三机经网络协同。下面这张总览图把上述分叉与回路画在了一起。

为理解双路控制如何分叉与汇合，请先看总览图的左右分区与箭头编号，再对应到正文的两层控制描述。

看图路径： 1. 先从左侧双人舞者沿 Motion 箭头向右追踪到深度相机与姿态估计；2. 再看中央 Max 控制枢纽分出的第一路令牌转向与第二路 MIDI 控制；3. 最后沿下方合成音频经混音与网络音频桥回到舞者的闭环箭头

论文图 2。原论文 Figure 2：“The system is designed to facilitate collaboration between human dancers and a generative AI in a live setting.”。

图中左侧是现场舞蹈即兴，经深度相机动作捕捉、加速 3 维姿态估计与动作分析进入中央控制枢纽；枢纽向上分出标号为 1 的令牌转向去实时音乐 Transformer，向下分出标号为 2 的音色力度发音控制去 MIDI 渲染；Transformer 输出的 MIDI 经渲染合成后再经网络音频桥、混音与扬声器回到舞者，构成下方的大回路。这种画法对应论文反复强调的分工：符号层管选什么音，渲染层管声音听起来什么质感，二者都受同一身体驱动但作用点不同。

符号层如何转向：音高区间与乐器掩码做了什么？

符号层转向的核心动作是对模型每个生成步的候选音符分数做过滤。白话解释：模型先对 0 到 127 的 MIDI 音高给出一个先验分布，表示按风格接下来可能弹什么；系统根据舞者舞台位置算出当前允许的最低与最高音，只保留区间内的候选，把区间外的概率置零，再从剩余的后验分布中采样。用乐器控制时做法类似，因为乐器类别与音高一起生成，所以把非激活乐器对应的令牌区域屏蔽即可。

例子：舞者站在某一区域对应 A3 到 C5，采样就只在这个八度多的窗口内进行，模型仍决定具体旋律与节奏。为减少抖动与听感断裂，原文设置了三项稳定策略：只有当舞者输入变化超过 6 个半音才发送新的音高或乐器配置；触发重生成时保留已生成的未来 250 毫秒事件，让进行中的乐句自然收尾；用插值在旧掩码与新掩码之间平滑过渡，使先前约束下开始的乐思得以解决。

具身转向 × 推理时掩码： 具身转向负责把舞台位置、活动量和人际距离变成音乐约束的来源，推理时掩码负责在每个生成步把超出当前音高区间或非激活乐器的候选音符概率置零后重采样，二者搭配的理由是舞者不需要逐音符触发，只需划定和声与配器空间，组合后新增的作用是让模型在风格内自主选音同时仍被身体实时框定。

下图把掩码直观化，值得对照公式文字一起读。

为建立位置到音区的直觉，请先看该图的先验、掩码与后验 3 条带，再定位保留区间的键盘位置。

看图路径： 1. 先对比顶行先验分布与中行掩码的保留与遮蔽段；2. 再看底行后验分布仅在 A3 到 C5 之间保留颜色；3. 最后把保留区间对应到底部钢琴键盘的中央区域

论文图 3。原论文 Figure 3：“The pitch-token probabilities from the uncon- strained model are masked to enforce a stage-position- dependent pitch range.”。

像素可见三行色带：顶行先验分布是连续的蓝色块，表示模型原始偏好；中行掩码是两侧灰色遮蔽、中间白色保留；底行后验仅在中间保留段有颜色，两侧保持灰色，下方标注保留区间为 A3 到 C5 并对齐到底部钢琴键盘的中央区。这说明转向不是重写模型，而是做减法：模型提议，身体划界，采样在交集中进行。

舞蹈性 × 鼓基础： 舞蹈性负责表达舞者能否找到稳定脉冲并预测重音的需求，鼓基础负责在爵士等段落强制以鼓点开始生成以提供节奏可读性，二者搭配的原因是生成模型常缺稳定的律动框架，组合后新增的作用是在保留旋律生成自由的同时先锚定身体可跟随的底层脉冲。

和声控制走另一条路。系统把过去 1 秒窗口内的 12 个音级激活做聚合，得到与八度无关的色度描述，作为和声上下文；解码器 Transformer 外加一个编码器处理该色度表示，并经交叉注意注入生成模型，使模型按当前和声分布调整选音。演出时只用两种可解释状态，即从真实古典演奏统计中提取的大调与小调轮廓，而非人工点亮音阶。这种做法保留了声部进行等统计倾向，比硬性规定音阶更贴近演奏实际。

渲染层如何映射：力度、发音、失真与空间化？

渲染层不改变选了哪些音，而是改变这些音听起来的能量与位置。第一，肢体平均速度经 2 秒滑动窗口平均后映射为 MIDI 力度；若舞者静止，系统无声，保证音乐是身体用力的直接后果。第二，舞者绝对高度映射为音符时值，低处偏断奏、高处跳跃伸展偏连奏，这是与舞者共创的身体隐喻。第三，双人空间距离映射为黑胶失真，靠拢则谐波复杂度和颗粒感上升，用声音表现张力或亲密。

第四，每人水平坐标映射为 8 通道 ambisonic 声场中的虚拟声源位置，人动声随，形成 localized 的声音存在感。这些映射按戏剧弧线缩放：开场只控制单个乐器，到终场扩展为均衡滤波与总音量，使声音空间随体能峰值打开。复述时要区分：音高区间与乐器属于符号约束，力度与失真属于合成参数，二者经同一 Max 枢纽发出但作用阶段不同。

模型从哪里来：预训练、微调与推理调用各是什么？

本研究的训练部分需要如实交代边界。骨干是预期音乐 Transformer，作为预训练模型直接沿用；本研究没有从零训练大模型，只在较小风格数据集上微调。一个模型在 Maestro 数据集上微调得到古典风格，Maestro 包含富有表现力的古典钢琴演奏 MIDI，选用钢琴是因为其宽音域适合探测音区变化；另一些面向舞蹈的模型在 GigaMIDI 过滤子集上微调，标签包括爵士与迪斯科等流派，以获得更稳的节拍。

实时推理基于 jam_bot 系统，用多线程处理模型配置、生成与输出调度。原文未报告微调的学习率、轮数、划分与验证曲线，也未说明色度编码器是随微调联合更新还是冻结，因此不能从模型名推定梯度路径与参数状态。

预期音乐 Transformer × 微调： 预期音乐 Transformer 作为预训练骨干负责提供连贯的多声部符号音乐先验，微调负责用 Maestro 古典钢琴与 GigaMIDI 过滤出的爵士和迪斯科子集把它收敛到古典、爵士、迪斯科等可演出风格，搭配的原因是直接从零训练成本高且节奏不稳，组合后新增的作用是以较小代价获得可转向的风格模型。

推理时的真实计算是持续生成加事件驱动重转向：模型不断输出符号事件，一旦收到新的音高区间或乐器集合，就重生成或重转向以反映新约束，无需逐音符触发。演出中还加入为可舞性服务的启发式，例如爵士段落强制以鼓基础开始生成，终场双模型用共享鼓循环锚定两种风格，防止同时演奏完全混乱。终场因同时跑两个无限制乐器模型存在硬件限制，实际采用离线预生成音轨以保证稳定，这一点必须保留，否则会误以为全场都是在线生成。

现场实验条件：谁跳、在哪跳、共创如何组织？

实验条件按原文交代可分为人员、场地与流程。人员上，第一作者是有嘻哈与高校舞蹈背景的舞者研究者，搭档是有芭蕾与嘻哈背景的外部职业舞者，2 人曾在同一竞技舞队，有共同动作语言；另有音乐家、艺术家研究者与声音设计师在迭代中提供反馈。流程上，2 位主要作者经两个月每周设计与动作 session 磨合艺术与技术约束，再与外部舞者做 4 次共 5 小时的 session，遵循身体 soma 设计方法，以身体感受为首要依据调整映射。

场地是哈佛大学 Paine 音乐厅，观众约 70 人，演出名为无谱的 10 分钟即兴。数据方面没有划分训练验证测试集，没有自动指标；评估是舞者访谈反思加自愿观众问卷，问卷样本为 6 人且无技术背景。资源状态方面，Maestro 数据集链接当前可用，演示页当前可用，预期音乐 Transformer 的公开评审页当前可用，生成性判别器引导序列生成的论文链接当前可用，这些是核对风格与实现背景的入口，但不改变本研究的定性性质。

演出了什么：四场如何从乐器走向风格对战？

为回答音乐与舞蹈如何共演，先把两幕四场按时间、风格与控制粒度整理成可对照的行。开场独舞用古典模型，把舞台当地面大钢琴，地板位置对音高与空间化，关节速度对力度；第二场加入第二声部与双人距离失真；第三场切到爵士并以鼓锚定，用中央聚光区激活钢琴与小号的人乐绑定做呼应；终场转为爵士对迪斯科的风格对战并用共享鼓循环约束。下表把可核对的时长与结构放在同一视图，时长数字来自原文连续句，风格与控制来自各场描述，最后一行提醒终场为离线以避免把稳定性误读为实时吞吐。

下表提出一个可复述的比较问题：在相同双人闭环下，不同场次如何用时长、风格与控制对象抬高代理级别，指标方向是叙事复杂度上升而实时约束收紧。

表后需要解释主要收益与具体代价。收益是同一管线支撑了从细粒度音符能量到高层风格身份的连续切换，舞者报告在第一幕更像在演奏乐器、在第二幕更像置身声音环境，这种对比支撑了不同注意力与动作质感；代价是风格越复杂、乐器越多，实时密度越难维持，终场不得不离线，未胜出或未验证的边界是双模型无限制乐器的全实时合奏在当前吞吐下不可行。

可配置代理 × 美学摩擦： 可配置代理负责通过映射粒度调节系统像乐器还是像伙伴，美学摩擦负责命名舞者意图与模型自主错位时的协商时刻，二者搭配的原因是完全可控则无生成惊喜、完全自主则意图不透明，组合后新增的作用是把错位从失误重释为需要主动聆听与回应的三方共振。

三方共振的拓扑如下图所示，它把双人加系统的反馈画成三角而非单向链。

为读懂谁影响谁，请先按图例区分实虚线，再分别追踪两种颜色的回路。

看图路径： 1. 先区分实线动作流与虚线音乐反馈的图例含义；2. 再分别追踪蓝色舞者 1 与红色舞者 2 各自的上行与回落环路；3. 最后观察下方两人之间的双向箭头如何与上方经 Con Moto 的环路构成三角

论文图 8。原论文 Figure 8：“The triadic interaction topology of Con Moto.”。

像素可见顶部标注 Con Moto，下方左右分别为舞者 1 蓝色与舞者 2 红色；实线表示动作流，虚线表示音乐反馈；蓝色与红色各有一条自下而上的实线进入系统与两条自上而下的虚线回到舞者，下方 2 人之间还有双向弯箭头表示舞者互看与回应。该图不支持逐帧延迟读数，只能作为定性结论的依据：音乐既被 2 人驱动，又反过来调节 2 人之间的协同，系统在中间成为共享声音空间。

舞者与观众报告了什么，哪些不能推广？

舞者侧的报告显示感知在乐器与伙伴之间摆动。第一幕舞者把空间想象为铺在地面的钢琴，重复手势可能得到不同结果，需要适应期；第二幕更具氛围感，像在声音内部而非直接操控。舞者 2 为适应映射调整了编舞：更关注垂直高度、加入旋转强调动态、用手臂手势代替大范围腿部移动以稳定音高控制，在稠密织体中更敢即兴，在稀疏独奏中更易被突发变化 destabilize。舞者 1 强调主动聆听要求高于传统排练，因为模型非确定，无法依赖已知曲式。

最有奖励的时刻是预期动机返回并精准踩中，而音乐从未存在过、实时生成且源于自身动作。观众侧 6 人问卷显示：多位觉得沉浸、在场且音乐可信，古典美学段落尤被点名；互动既不完全由舞者主导也不完全由音乐主导，协作感来自音乐保留自身动量同时回应舞者；好奇系统如何工作，舞者收到你看起来很自由的反馈。不能推广的是：样本仅 6 人、自愿作答、无基线对照，不能把喜欢古典段落推广为风格优劣，也不能把沉浸描述推广为每场或每分钟成立。

若拿掉关键约束会怎样：原文给了哪些反证？

原文没有做消融表，但提供了可复述的失败条件与对照观察，可按拿掉某约束来组织。第一，若拿掉鼓基础与舞曲风格微调，纯生成代理会让舞者觉得 disconnected，早期排练出现稀疏质感配高能量动作或重音落入静默，传统观念视为失误，作者则视为美学摩擦，说明脉冲锚定是可舞性的必要条件而非装饰。第二，若拿掉平滑与阈值，频繁重生成会带来抖动与感知断裂，因此原文用六半音阈值、250 毫秒保留与掩码插值来换连续性，代价是响应粒度变粗。

第三，若拿掉乐器掩码的覆盖补偿，模型可能长期不生成某些音区或乐器；原文用检查近期历史并强制下一音补足缺失区的方法保证覆盖，但会引入不连贯的线条，尤其当 onset 时间先定而音高乐器后定时，可能在需要旋律延续处被迫生成打击乐。第四，观众侧的反证是同一平衡被不同人相反解读：有人因听不出是人工智能生成而觉得沉浸，有人因太完美而想要更多不规则，这说明没有单一的最优代理点。这些反证共同限定了掩码加后渲染的适用边界。

吞吐与表示的硬限制在哪里？

技术限制按原文分为吞吐与约束两类。吞吐上，模型每秒只能产生有限令牌，古典独奏钢琴在交互速率下相对连贯富有表现，但扩展到鼓、贝斯、吉他与旋律的三乐器以上合奏时，为维持实时必须大幅降低输出密度，结果听感偏简单甚至孩子气，这是合奏丰富度与实时响应的直接权衡。约束上，当前用负掩码压制不想要的音区或乐器，但不能保证模型主动填满期望区域；补偿用的强制补音会打断线条。

更深层是符号表示顺序使音高与乐器类别在 onset 时间令牌之后决定，系统可能在需要旋律处被迫安排打击事件。未来方向在原文是明确的待验证设想：把多目标约束直接纳入生成以联合推理音高、乐器与空间分布，或用更高吞吐架构、部分预计算声部、规划式覆盖来替代逐令牌的反应式干预。伦理与成本上，模型偏向西方传统因公开符号音乐语料不均衡；本研究未从零训练大模型，每次轻量微调约 3 小时图形处理器时间，硬件为英伟达 RTX A6000。

演出经知情同意，未收集超出自愿反思的个人信息。

要复现先做什么，需要哪些参数与验证？

复现应先做最小闭环而非直接搭双人 8 通道。第一步，用一台相机加姿态估计输出关节位置，在 Max 中实现位置到音区、速度到力度的两条映射，先让单人单乐器发声，验证静止无声与移动发声的能量关系。第二步，接入预训练 Transformer 与古典微调权重，实现区间掩码采样与六半音更新阈值、250 毫秒保留与掩码插值，再验证大幅移动才换区、小幅抖动不换区。第三步，加入色度 1 秒窗口与大小调轮廓的条件，验证和声在八度无关下仍可跟随。

加入 2 秒速度窗口、8 通道空间化与距离失真，验证渲染层独立可调。必须保留的关键超参数与信息条件是：12 音级、1 秒色度窗、2 秒速度窗、250 毫秒保留、六半音阈值、8 通道、双模型共享鼓循环、终场离线。还需补的验证是：记录控制消息频率与听感断裂的关系、记录多乐器密度与延迟的关系、扩大观众样本并加入盲听或任务化评价，否则无法判断代理配置的真实收益。以下两张参数表把原文散落的数字收拢为可执行清单，数字与单位来自原文连续句，裸值不擅自添单位。

下表回答转向层每个映射的窗口与阈值是什么、作用在符号还是声音，公平条件是同一身体输入同时驱动两层，指标方向是抖动下降且意图可感知。

表后解释代价与反例。主要收益是抖动与断裂被三项平滑分摊，渲染映射让能量有身体依据；具体代价是阈值使细微意图被吞掉，保留窗口使转向滞后 250 毫秒，8 通道增加部署复杂度；反例是强制补音虽保证覆盖却可能写出不连贯线条，未评测边界是不同身高体重与动作风格下的阈值通用性。

下表回答共创与评估的规模有多大、成本是多少，避免把小样本定性读成大样本定量。

表后同样给出限制。收益是 5 小时身体迭代换来了可演的隐喻与叙事弧，成本是样本与算力都小；未胜出项是扩散式高保真方案因延迟未被采用，负结果是稀疏织体中突发变化更易 destabilize 舞者，未评测边界包括多场地灯光遮挡下的追踪鲁棒性与长期巡演的稳定性。

何时值得尝试，如何一句话记住它？

当你的任务是现场身体驱动音乐、需要风格连贯又要低延迟时，值得尝试 MIDI 符号生成加掩码转向再加独立渲染的路线；当你需要录音室级多声部织体或严格复现固定乐谱时，这套路线并不合适。复述时记住：身体划界、模型选音、渲染塑形，三者经 Max 枢纽闭环。常见误解有三：其一，以为系统是逐音符乐器，实际是区间与配器约束下的风格采样；其二，以为终场也是全实时，实际终场因硬件限制用了离线音轨。

其三，以为观众觉得好听即证明控制有效，实际 6 人问卷只能说明协作感知存在，不能证明每种映射都有效。回到中心矛盾，共振不在完美同步，而在可协商的摩擦中：保留 250 毫秒让旧乐思说完，用六半音阈值让小抖动闭嘴，用鼓基础让身体有处落脚，剩下的不确定性留给舞者用主动聆听去回答。

符号生成 × 后渲染： 符号生成负责输出纯 MIDI 事件的音高、时值与乐器选择，后渲染负责在 Ableton 与 Max/MSP 中把这些事件变成带力度、 articulation、失真与空间化的声音，二者分工使结构控制与音色控制解耦，搭配理由是 MIDI 推理更快且可在符号域加约束，组合后新增的作用是同一生成结果可在不同段落呈现不同的能量包络。

若要继续验证，建议先公开可运行的映射配置与延迟日志，再补多乐器吞吐与覆盖连贯性的联合约束，最后用更多元语料缓解西方风格偏置，这样才能把 1 次动人的 10 分钟演出沉淀为可复用的研究方法。

📐 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