符号音乐生成

论文以巴赫众赞歌终止式为切口，说明 Aria 模型的和声决策从中间层开始逐步形成，先出现调式后出现具体调性，并证明沿探针方向做推理时干预可以稳定改变终止走向且保持结构完整，但结论只在众赞歌这类规范和声语料上得到验证。

论文针对视频条件下的符号音乐生成中扩散模型内部表示质量不足的问题，提出用高噪声下浅层表示向低噪声下深层表示对齐的 U-SRA 方法，在 BGM909 上以检索精度和接近真实数据的音高节奏指标超过 Diff-BGM，代价是需要额外的教师分支与对齐投影计算。

针对非音乐音频到符号音乐的一对多转换问题，Sori 用只在音乐音频上训练的编码器加双解码器结构配合域对抗训练和无分类器引导，在 AudioSet 评测上用连续参数控制贴合输入与音乐性之间的权衡，并以平均实时率 0.82 在消费级 CPU 上实现流式推理。

TASTE 把文字拆成标签、段落计划和意象三路条件，用三层弱监督数据和两类模型实现可控钢琴生成，在情感与结构对齐上提升明显，但伴奏与演奏风格仍受标签可靠性限制。

论文研究如何用冻结的自动音乐转录编码器加谱面解码器生成节奏游戏谱面，并在谱面最少的模式上用跨模式联合训练把事件 F1 从 0.492 提到 0.506，而与 Clone Hero 联合反而降到 0.482。

论文用固定流程在不同最大上下文上分别训练小型因果 Transformer，发现民谣记谱中长上下文增益主要来自对展开的重复段落的原样拷贝，而演奏录音上增益小且早早放缓，代价是更长的注意力跨度和更不稳定的拷贝习得过程。

论文研究如何让符号音乐生成模型弹出可辨认的爵士钢琴家风格，用门控交叉注意力注入演奏家身份，并用分类器一致率与合成数据迁移准确率证明风格被保留，代价是增加约 12% 参数与分类器评估依赖。

该研究把六首有文献记载背景的流行歌曲旋律抽出后交给同一可解释和声器重新配和声，对比发现高旋律适配分不等于保留原有持续、重复与非调式特征，部分曲目保留经济型 I-IV-V 结构，部分则扩张声部词汇或压制标志性进行。

该文把增量作曲定义为持久 ABC 工件上的操作感知状态转移，用 496038 条对话记录对 Llama 3.1 8B Instruct 做 LoRA 适配，在 1750 次尝试下检查器准入从 29.37% 升至 99.37%、条件合规从 0.7205 升至 0.9798，代价是结论限于爱尔兰传统音乐域且不证明审美优越或无人抄袭。

YuE2 用同一模型先写包含旋律与和声的可读乐谱再生成语义与声学表示，在相同检查点对照中符号规划提升了专家感知的整体质量，并以可编辑的乐谱接口支持改编与零样本翻唱，但多候选筛选与自动指标仍带来额外代价与解释边界。

MotiGen 针对 NotaGen 等符号音乐大模型缺少动机级控制的问题，用移调不变的音程类别提示行加训练与推理一致的注意力偏置和先聚焦裁剪后全曲的两阶段课程来改造模型，在分层动机评估中显著高于无提示基线，代价是仅限单声部且依赖自动包含判定而非大规模人评。

针对多约束联合满足急剧下降的问题，论文用八族程序化验证器构造基准并以硬门加分级奖励做 GRPO，把 Qwen3-4B 在 Mixed 上的全满足率从 0.160 提升到 0.807，代价是奖励与评测共用同一套验证器且只度量合规不度量听感。

论文用 124 位作曲家的旋律续写任务训练条件 Transformer，只以作曲家身份为监督，学到的 124×128 嵌入的第一主成分与出生年强相关并通过打乱检验，最强的向量算术例子同时暴露了旋律表征覆盖不了配器音色的代价。

论文把考试式四部数字低音配写形式化为相邻事件上的硬约束与局部代价问题，用完整和声状态的分层图与动态规划证明固定声部数下可行性与最小代价可多项式求解，并以二拍、四拍、八拍实例展示合法性、贪心失效与复现步骤。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

该研究以检索加规则检验做古典钢琴符号混搭，用 8 小节可控听辨分离和声、终止逻辑、动机可辨识度和织体四个因素，发现终止逻辑与可辨识度及复调并置更关键，代价是仅在短片段、均匀钢琴音色和小样本条件下成立。

该文把钢琴指法当作带生物力学约束的序列标注问题，用卷积网络提局部键盘模式、双向长短期记忆网络建前后依赖并加注意力与前向规划，在钢琴指法数据集上报告通用匹配率约 82.6%、最高匹配率约 92.1%，代价是去掉物理约束后通用匹配率掉 11.4 个点且复调大跨度仍需人工把关。

该研究把植物生物电与光照湿度数据经物联网送入作曲环境来实时生成六声部乐谱，早期排练与观测显示声音与光照变化伴随信号波动，但完整演奏者与植物反馈闭环与互惠机制仍待验证。

针对大语料深度模型不适用个人作曲且只处理音高时值的问题，该文把带表情的动机表示为音程状态轨迹并以卡尔曼式随机偏离生成变体，用作曲家自己的选择在线调节方差与结构编辑概率，代价是只做单声部且无定量评测与用户研究。

本文回溯 1980 年代中期以来以西方记谱与音高节奏形式化为核心的计算机辅助作曲，指出其在音色连续性、实时性与多模态输出上的局限，并提出以多模态输入输出与人机协作为方向的扩展愿望，但未提供定量实验验证。