音乐信息检索

针对梅尔频谱图同时需要局部时频纹理和长时跨段结构的问题，ResMamba 在 ResNet 式四阶段主干中并行使用卷积分支抓局部与选择性状态空间分支抓全局并做多尺度融合，在 GTZAN 五折平均 88.99% 且全程从零训练，代价是依赖全分辨率输入与分窗折中。

该文把自由文本换成固定字段的结构化字幕来微调流式扩散变换器，并用两步补全和问答式对齐评价来验证，在报告的两个生成集上对齐和质量都有提升，但结论依赖内部训练库与所选评价器组合。

本文把音乐中的重复与变奏统一为二维点集在变换类下的匹配、出现与等价问题，用基对求变换、用出现集做紧凑编码，并证明只有去掉零缩放的子类才成群从而保证出现集内两两等价。

把合成器当黑盒，用 101 步单参数扫描打分再用 128 次 Sobol 扰动的输出方差独立验证，在四个确定性引擎上排序高度一致而在有渲染噪声的引擎上失配，结论只在中点工作点和单音触发条件下成立且总代价约 66000 次离线渲染。

论文用移调、倒影、逆行与轮换生成的群把短窗折叠为轨道，用轨道熵度量动机词汇量、用部署率度量同一动机的展开程度，在 852 首键盘作品与民歌乐句主题中检验其相对随机对照的压缩与偏好。

针对 MusicXML 与 MEI 这类层级化乐谱难以直接逐行比对的问题，论文用有向无环图表示节拍与节奏并做并行递归比对，在演示中以毫秒级核心比对时间给出差异列表与相似度，但完整耗时仍受解析与建图制约。

论文把已排期的未来音乐当作已知协变量，在隐藏未来标签、整首留出和分块独立编码的规则下预测共识唤醒度变化，用 MuQ 轨迹和同首错位对照证明未来内容及其位置都带来增量预测信息。

该文针对二十世纪之交调性向无调性渐变无法用二标签描述的问题，用整体分布、时间延续和局部贴合三个特征经因子分析合成连续调性程度值，在 196 首二分类基准上达到 F1 约 0.985，并在 1561 首历史语料中呈现连续渐弱轨迹，但情绪关联很弱且只在特定语料条件下成立。

LayerIt 要解决的是乐谱、录音与算法输出时间坐标不一致且手工拼图不可复现的问题，它用统一演奏时间比例加分层拼图的方法，在德彪西《月光》前六小节的拍点跟踪实例上展示了定位节拍误读的能力，代价是依赖外部对齐与乐谱质量且频谱场只能内嵌位图。

PEACE 用 SLAP 配对音频编码器与两种 Faust 代码编码器，在 1-3 个效果串联的检索上打平并在外部混响库上远超已有音频表示，代价是长链泛化和弱效果上的不均衡。

论文用同一批 96 千次每秒录音比较全频带、低通和只留超声三种输入，发现 22.05 千赫兹以上的超声带能把孤立乐器识别和复音检测提高约 4 到 6 个百分点，但代价是需要 2.18 倍存储和宽带采集链路，且结论只在录音室隔离分轨和留出完整录音的划分下成立。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对音乐分类中注意力易被伴奏与录音偏置带偏的问题，该文提出在每轮反事实监督后重投影注意力特征的渐进式可学习反事实注意力，用三阶段精炼在歌手、流派与情绪任务上取得一致提升，代价是增加共享投影模块与多阶段联合优化的训练负担。

该文把钢琴音频转录后的音符序列当作手与手指联合标注问题，用双向卡尔曼加分手隐马尔可夫的合成模型与四元三元语言模型在 PIG 上分别达到 90.8% 手部分离与 56.6% 联合准确率，而端到端管线召回降至 65.7% 与 37.0%，代价是统计模型仍受古典数据与合成音频评估限制。

该文在 Lyra 舞蹈子集上用音频、视频、骨架三模态做 28 标签自动打标，报告最强三模态门控融合宏 ROC-AUC 为 0.864，超过最强音频单模态 0.821，但骨架单模态仅 0.586 且约半数片段缺有效姿态。

论文把音乐语义定义为可测的检索任务能力，用冻结语义单码本加声学残差量化双流在混合信号上重建，报告显示完整配置在内容保持与重建上占优而纯声学配置虽重建略高却显著更难建模。

论文用线性硬弦偏微分方程加三角拨弦初值约束多层感知机做正演，在第一振动周期内与有限差分和断线实验做对照，随机傅里叶特征尺度越大高频细节越好，但评估只限首周期且存在幅值偏差。

该研究用 9 支葫芦丝的 81 个平均音和 7 个心理声学特征训练自组织映射，报告只有频谱质心、锐度和分形关联维能形成音高聚类，其中高音 fa、sol、la 混沌度最低且亮度反直觉偏低，代价是低音区无稳定聚类且录音未公开。

该研究把 1046 个手工段落与 0.5 秒步长的模型估计效价-唤醒轨迹对齐，显示段落差异主要在唤醒度上且高唤醒位置偏向后段，但进入副歌路径多样、重复段落并不回到初始水平，代价是情绪轨迹来自冻结教师模型而非人工连续标注。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读