音乐信息检索

📄 Predicting Timbre Traits for Interpretable Assessment of Musical Sound Synthesizers #音频生成 #音乐信息检索 6.1/10 | 创新 1.2/2 | 严谨 0.9/1.5 | 实验 0.7/1.5 | 清晰 1/1 | 影响 0.6/1.5 | 开源 0.6/1.5 | 复现 0.5/0.5 | 工程 0.6/1.5 ✅ 6.1/10 | 前50% | #音频生成 | #音乐信息检索 | arxiv 👥 作者与机构 作者：Théo Chasle Cauchy (Nantes Université, LS2N, 法国), Modan Tailleur (Nantes Université, LS2N, 法国), Lindsey Reymore (Arizona State University, School of Music, Dance and Theatre, 美国), Fanny Roche (Arturia, 法国), Mathieu Lagrange (Nantes Université, LS2N, 法国)。 ...

📄 Frequency-Aware Self-Supervised Music Representation Learning #自监督学习 #音乐信息检索 #计算机视觉 6.8/10 | 创新 1.2/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1/1.5 ✅ 6.8/10 | 前50% | #音乐信息检索 | #自监督学习 | #计算机视觉 | arxiv 👥 作者与机构 作者：Yicheng Gu (学生会员，IEEE), Junan Zhang, Jerry Li, Zhizheng Wu (高级会员，IEEE), Lauri Juvela (会员，IEEE)。机构：Jerry Li, Yicheng Gu 与 Spellbrush (东京)；Lauri Juvela 与阿尔托大学声学实验室；Junan Zhang, Zhizheng Wu 与香港中文大学（深圳）数据科学学院；Yicheng Gu 同时隶属以上三个机构。 ...

📄 PHAST-Net: Attention-Guided, Physics-Informed Network for Unified Estimation of Ideal Time-Frequency Representations #音乐信息检索 9/10 | 创新 1.8/2 | 严谨 1.4/1.5 | 实验 1.4/1.5 | 清晰 1/1 | 影响 1.4/1.5 | 开源 0/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 9/10 | 前10% | #音乐信息检索 | #音乐信息检索 | arxiv 👥 作者与机构 作者：James M. Cozens, Simon J. Godsill 机构：剑桥大学工程系，概率系统、信息与推断小组（\(\psi^2\)） 注：James M. Cozens为博士生（IEEE会员），Simon J. Godsill为教授（IEEE Fellow）。该工作已提交至IEEE期刊进行可能的发表，作者James M. Cozens受英国工程和自然科学研究委员会（EPSRC）博士培训伙伴计划资助。 💡 毒舌点评 这篇论文是“理论家的深度学习”范式的典范。作者没有满足于简单地将CNN扔到时频图上，而是从经典的Cohen类分布理论出发，精心设计了CLAWT输入表示和物理约束的再投影损失。这种对领域知识的尊重在如今“炼丹”成风的氛围里显得尤为可贵。然而，其优雅的理论框架也带来了代价：复杂的数学描述和定制化的CLAWT构造，使得方法的理解和复现门槛极高。更令人困惑的是，作为一个声称“通用”的框架，所有实验都在精心构造的合成数据上进行，对真实世界复杂信号的验证仅限于几个视觉示例。这就像一位武林高手，招式精妙绝伦，内功深厚无比，但从未在真正的擂台上与各路高手（如真实的语音、音乐数据库）较量过。我们被其数学之美所折服，但对其实际效用的疑虑也油然而生。此外，论文声称提供了一个“有效无限”的合成数据集，却闭口不谈生成数据的任何具体参数和分布假设，这种“黑箱”数据生成方式在可复现性上留下了巨大黑洞。 📌 核心摘要 本文提出了PHAST-Net，一个用于统一估计理想时频表示（ITFR）的注意力引导、物理信息神经网络框架。针对时频分析中交叉项抑制与分辨率提升的核心矛盾，PHAST-Net通过三个关键创新实现突破：1）提出了连续对数频率自适应小波变换（CLAWT），其参数直接控制Cohen类核在时频平面上的朝向和尺度，为网络提供了一组物理意义明确、覆盖全面的输入特征；2）设计了一种物理信息辅助的再投影损失函数，将网络预测的ITFR通过对应的Cohen类核重新投影，强制预测结果与输入变换族保持一致，并促进能量守恒；3）在对数频率坐标下构建统一框架，使得谐波结构在坐标轴上具有平移等变性，从而衍生出Harmonic PHAST-Net，能够同时抑制谐波并提取基频轨迹，进而支持高质量的基础节拍图和节拍图估计。此外，引入的Spline-PHAST-Net变体能够检测并参数化时频脊线，实现组件级别的提取和任意网格的重新渲染。在精心设计的合成基准测试中，PHAST-Net在Bhattacharyya系数、Jensen-Shannon散度和脊线能量比等指标上全面超越了SST、SET、RIFT等先进方法，尤其在低信噪比条件下优势显著。 ...

📄 An Asymmetric Formula for Interval Consonance and its Relation to Harmonic Coincidence #音乐信息检索 8.0/10 🔥 8.0/10 | 前25% | #音乐信息检索 | #音乐信息检索 | arxiv 👥 作者与机构 David De Roure, Department of Engineering Science, University of Oxford, Oxford, UK; Centre for Practice & Research in Science & Music (PRiSM), Royal Northern College of Music, Manchester, UK 💡 毒舌点评 这篇“工作笔记”本质上是一篇披着数论外衣的音乐理论随笔，优雅、简洁，充满了数学的美感，但其对“感知”的宣称更像是一种事后解释而非预测模型。它成功地将Euler的公式从一个美学评判工具，重新包装成了一个（在离散假设下）有物理（声学巧合）和认知（两阶段假设）解释的模型。最大的优点是它将几个世纪以来关于音程和谐性的直觉（伽利略、拉莫、欧拉）用现代的算术语言漂亮地统一起来，并且开源了全部代码。最大的问题是，它声称的“与人类感知的卓越相关性”完全建立在一个包含13个数据点、且未经统计检验的小数据集上——这在顶会审稿人眼中几乎等同于玩具实验。那个“两阶段感知假设”写得引人入胜，但本质上是无法证伪的哲学遐想，缺乏任何直接的心理声学实验验证。最后，将13个区间排序的相关性作为核心评估指标，其统计效力低得可怜，但论文对此却缺乏必要的审慎。这是一篇出色的理论探索，但若声称其对“感知”或“声学”有实质性洞察，则显得证据不足。 📌 核心摘要 本文提出一个简单非对称算术公式 \(f(p/q) = p + \Omega^(q)\) 来量化音乐音程的不和谐度，其中 \(p, q\) 为互质整数，\(p>q\)，\(\Omega^(n)\) 为 Euler 的质数加权函数。该公式在13个标准西方音程的人类不和谐度排序数据上，达到了与 \(\max(p,q)\) 相同的最优 Spearman 秩相关系数（\(\rho=0.989\)），并解决了 Euler Gradus 公式（\(G(p/q)=1+\Omega^(p)+\Omega^(q)\)）中无法区分的某些音程对（如大三度/大六度）。论文的核心贡献在于理论层面：1) 证明了在离散调和模型（谐波为整数索引、计数均匀）下，Gradus 等价于一个以 \(\Omega^(n)\) 为权重的加权谐波巧合计数，从而将 Euler 的算术模型与 Galileo 的物理脉冲巧合模型在数学上联系起来；2) 提出了一个推测性的两阶段感知解释（低音确立谐波上下文，高音作为序列中的部分被识别），为非对称性提供心理学动机；3) 建立了一个定性的部分拍音容忍度模型，推导出容忍度半宽 \(\Delta_{\mathrm{tol}} \approx \frac{1730\tau}{p \cdot f_0}\)（单位：音分），将公式中的项 \(p\) 与对失谐的声学敏感度联系起来，并为等程调律（12-TET）的可接受性提供了算术解释；4) 由公式自然生成一个互质整数三角形 \(T(n,k)=n+\Omega^(k)\)，并提议将其作为 OEIS 序列。 ...

📄 Beyond Artifacts: Towards Generalizable Synthetic Song Detection via Music-Intrinsic Features #音乐信息检索 8.4/10 | 创新 1.5/2 | 严谨 1.4/1.5 | 实验 1.5/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.9/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 🔥 8.4/10 | 前25% | #音乐信息检索 | #音乐信息检索 | arxiv 👥 作者与机构 作者：Yan Han, Zhibin Wen, Yuan Wang, Shuangrun Shao, Xiaobing Li, Yang Xu, Wei Li 机构：中央音乐学院、南方科技大学、复旦大学 💡 毒舌点评 这篇工作试图解决一个非常实际且紧迫的问题——合成音乐的检测。作者们提出了一个听起来很有道理的“音乐内在特征”框架（Sofia），并配备了一个新的数据集MUSIC8K。从论文结构看，它很完整：有问题定义、方法、新基准、详尽的实验。然而，一些关键点需要审慎对待。首先，“生成器不变”是一个很强的声明，但论文主要实验仅覆盖了有限的一批最新生成器，无法保证对所有未来生成器有效。其次，框架的“灵活性”主要体现在特征组合上，但五个固定编码器的选择可能本身就引入了偏见，论文并未探讨是否可以用更少或更优的编码器子集达到同等效果。最后，虽然作者承认了局限性，但将“可扩展性”作为核心价值之一来强调，可能略微淡化了当前实例（Sofia-VAG）在特定特征假设下的脆弱性。总体而言，这是一个扎实的系统性工作，但离“通用解决方案”还有距离。 📌 核心摘要 本文针对合成歌曲检测（SSD）中现有方法依赖生成器特定伪影、泛化能力弱的问题，提出了Sofia（基于音乐特征的合成歌曲检测框架）。Sofia通过特征特定的专家网络来建模音乐内在属性（人声V、音频效果A、全局音乐结构G），并利用自适应混合专家（MoE）模块融合这些特征，以学习生成器不变的表示。为全面评估，作者构建了新的基准数据集MUSIC8K，包含最新生成器的歌曲（MUSIC8K-O）和带有真实音频扰动的歌曲（MUSIC8K-P）。在MUSIC8K-O上，Sofia-VAG (MoE) 变体的F1分数比最强基线CLAM高18.5个百分点，同时在鲁棒性评估中表现出色。此外，研究表明Sofia通过少样本适应能够快速适应新生成器。 ...

📄 EChO-Agent: Evidence Chain Orchestration Agent for Audio Reasoning #音频问答 #语音识别 #音频事件检测 #音乐信息检索 #多模态模型 #大语言模型 6.1/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.9/1.5 | 清晰 1/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.1/10 | 前50% | #音频问答 | #语音识别 | #音频事件检测 #音乐信息检索 | arxiv 👥 作者与机构 作者：Siyuan Zhang, Jian Zong, Junyu Wang, Peiyuan Jiang, Jiahao Yan, Jingyu Zhang, Tianrui Wang, Xiaobao Wang, Longbiao Wang, Jianwu Dang 机构：School of Artificial Intelligence, Tianjin University, Tianjin, China 💡 毒舌点评 这篇文章提出了一个听起来很厉害的“证据链编排”框架来解决音频推理问题，思路清晰，系统设计也算完整。但作为一名顶会审稿人，我必须指出几个硬伤：首先，创新性有限，所谓的“证据整合”本质上是用另一个LLM（DeepSeek-V3）来摘要和过滤工具输出，这更像是工程上的Pipeline优化，而非原理上的突破。其次，整个框架严重依赖两个闭源的大型商业模型（DeepSeek-V3 和 Qwen-3-Omni-Instruct），这使得结果的独立性和可复现性大打折扣，更像是在为这些模型做能力演示。实验方面，只在一个基准（MMAR）上测试，且报告的提升幅度（+2.3%准确率，+4.3评分）在绝对值上并不算惊人，尤其是在没有与其他顶尖智能体方法（如文中提到的AudioRAG）进行直接对比的情况下。消融实验虽然做了，但“w/o Observation”和“w/o Evidence Integration”的巨大差距说明，脱离了特定的工具和外部LLM，这个框架本身可能非常脆弱。最后，代码完全未开源，这极大地限制了其在研究社区中的影响力和可复现性。总的来说，这是一个扎实的系统工程工作，但离顶会论文所要求的理论深度和实验说服力还有距离。 ...

📄 Learning Input-Channel Permutation Equivariance for Multi-Channel Source Separation: Reducing Bleeding in Small Music Ensembles #音乐源分离 #多通道 #数据增强 #音乐信息检索 7.9/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1.1/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.1/1.5 ✅ 7.9/10 | 前50% | #音乐源分离 | #数据增强 | #多通道 #音乐信息检索 | arxiv 👥 作者与机构 Ruchi Pandey (Tampere University, Audio Research Group), Jaime Garcia-Martinez (University of Jaen, Telecommunication Engineering Department), Pablo Cabañas-Molero (University of Jaen), David Diaz-Guerra (Tampere University), Ricardo Falcón Pérez (Tampere University), Tuomas Virtanen (Tampere University), Julio J. Carabias-Orti (University of Jaen), Pedro Vera-Candeas (University of Jaen) ...

📄 Moonlight in Latent Space: Chirality and Structural Correspondence Between Beethoven's Op. 27 No. 2 and Machine Learning Mechanisms #音乐信息检索 #无监督学习 8.7/10 | 创新 1.6/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.4/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 8.7/10 | 前50% | #音乐信息检索 | #无监督学习 | arxiv 👥 作者与机构 Chen Ying Claude：贡献为分析、写作、代码实现。 Zhihan Luo：贡献为现象学观察、乐谱验证、编辑。 机构：论文未明确说明所属机构，Zhihan Luo被标注为“独立研究者”。 💡 毒舌点评 这篇论文像一位试图用微积分重写十四行诗的浪漫主义数学家，野心勃勃，试图在贝多芬的乐谱和神经网络的损失函数之间找到一种“形而上学的同构”。其核心论点——音乐与机器学习是“相同形状”——在精美的分析外衣下，论证略显脆弱。它提出的方法论和“手性”概念很有趣，但跨领域的严谨映射仍停留在类比层面。作者诚实地报告了样本量混淆和基线校正的影响，这值得称赞，但也削弱了最初的诗意主张。总的来说，这是一篇思想活跃、有待严格验证的探索性工作。 📌 核心摘要 本文分析了贝多芬《月光奏鸣曲》三个乐章的结构，并论证其与机器学习机制存在“结构同构”关系。研究提出了一系列反直觉的发现：感知上的音乐“温度”由信息吞吐量而非分布宽度决定；听起来最轻盈的第二乐章具有最高的和声不和谐度；三个乐章分别体现了周期性位置编码、循环模型和流式模型三种记忆架构。论文还引入了“手性”概念来量化编码-解码循环中的序列信息损失，并通过“现象学-计算反馈”循环（人类观察引发计算分析）发现了这一特性。跨领域比较显示，自然语言比音乐具有更高的“手性”。 ...

📄 Real-Time Language Model Jamming: A Case Study for Live Music Accompaniment Generation #音乐信息检索 8.7/10 | 创新 1.5/2 | 严谨 1.4/1.5 | 实验 1.2/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 0.8/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 8.7/10 | 前25% | #音乐信息检索 | #音乐信息检索 | arxiv 👥 作者与机构 Bowen Zheng1,2,,‡, Andrew H. Yang3,2,,‡, Jiaqi Ruan4,2, Jia He4,2, Xinyue Li2, Yuan-Hsin Chen5,2,‡, Ziyu Wang6,2,†, Xiaosong Ma2,† Equal contribution. † Corresponding authors. ‡ \ddagger 1 MBZUAI, 2 单位未明确说明，但作者隶属于此机构, 3 University of Washington, 4 Carnegie Mellon University, 5 国立阳明交通大学, 6 HKUST(GZ) （注：论文中未提供所有作者的完整隶属机构信息，仅列出了部分。） 💡 毒舌点评 这篇论文像是一份非常详细的系统工程报告，而不是一篇有突破性算法的顶会论文。核心贡献是定义了一个问题（帧同步流式推理）并为一个特定任务（音乐伴奏）构建了一个端到端系统。RTT建模和参数空间推导是扎实的工程分析，但音乐生成模型本身（0.12B参数的Transformer）是现有架构的简单应用，毫无新意。论文将“系统框架”本身作为主要贡献，在学术创新性上有所欠缺。实验在精心控制的环境下验证了系统的可行性，但泛化能力存疑——真实世界的网络和音乐场景要复杂得多。总体而言，这是一篇技术报告级别的工作，工程细节丰富，但学术贡献点薄弱，距离顶会标准有差距。 ...

📄 Snapping Matters: Context-Aware Onset Refinement for Automatic Music Transcription #音乐信息检索 7.1/10 | 创新 1.5/2 | 严谨 1.3/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 0.5/1.5 ✅ 7.1/10 | 前25% | #音乐信息检索 | #音乐信息检索 | arxiv 👥 作者与机构 论文作者信息及所属机构（如 Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) 和 Fraunhofer Institute for Integrated Circuits IIS）在提供的论文摘要和正文中未详细列出，仅出现在致谢部分。审校时应基于论文内容判断，不自行补充作者列表。 💡 毒舌点评 这篇论文精准地抓住了AMT标签生成流水线中一个被长期忽视但至关重要的环节——“snapping”。它把一个普遍存在的工程实践（贪婪地把对齐点拽到最近的激活峰上）提升为一个定义明确、可优化的组合问题。思路清晰，实验扎实，尤其是在各种粗糙初始对齐条件下验证了图匹配的鲁棒性，这很有实际价值。不过，论文的“高光时刻”其实有点像为一把螺丝刀做了把更精密的扳手——工具本身很棒，但可能只拧特定型号的螺丝。改进幅度在钢琴等清晰的场景下相对温和（约1%），只有在复杂管弦乐或大窗口下才显著。另外，作者自己也承认了多音高联合处理这个明显的短板，这恰恰可能是真正解决复杂声部的关键。总的来说，这是一篇扎实、有用的系统改进工作，离“范式转移”或“开创新赛道”还有距离。 📌 核心摘要 本文研究自动音乐转录（AMT）中，从序列级对齐（如DTW）到精确音符起始时间标签生成的关键步骤——“snapping”（起始点精修）。现有贪婪方法在精修窗口重叠或初始对齐粗糙时易失败。论文将snapping形式化为针对每个音高的二分图匹配问题，通过全局优化选择最佳音符-音频帧匹配，以最大化起始点后验概率。在钢琴、室内乐及管弦乐等多数据集上的跨数据集评估表明，与贪婪方法相比，图匹配方法在起始点对齐精度和转录准确性上均有提升，尤其在窗口较大或初始对齐较差时优势更明显。论文还系统分析了求解器选择、窗口大小和初始对齐质量的影响。 🔗 开源详情 代码：论文中未提及代码链接。 模型权重：论文中未提及。 数据集： MusicNet: 论文提及，未提供链接。 MAESTRO: 论文提及，未提供链接。 Saarland Music Data (SMD)：论文提及，未提供链接。 URMP：论文提及，未提供链接。 ChoraleBricks：论文提及，未提供链接。 PHENICX：论文提及，未提供链接。 Beethoven Symphony Excerpts Dataset (BSED)：论文描述为“内部评估数据集”，未提供公开链接。 Demo：项目主页：https://abhirupsaha8.github.io。 复现材料：论文中未提及训练配置、检查点或附录等具体复现材料的链接或获取方式。 论文中引用的开源项目： SciPy (用于二分图匹配)：https://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csgraph.min_weight_full_bipartite_matching.html。 🏗️ 方法概述和架构 本文提出了一种基于二分图匹配的snapping方法，作为连接序列级对齐与精确音符起始级对齐的精修步骤。其核心流程与架构可分解如下： ...