音乐理解

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

该文把音调区间向量改写为可逆算子并做感知平滑，用置换搜索做对齐、用四五度圈上圆形最优传输做插值，再以圆柱几何表征分解音阶根音、密度与色彩，代价是平滑后不再保证非负且圆形传输仍要求非负输入。

该研究用 120 名日语母语者的重复聆听实验检验了短语内元音与辅音分布偏向和歌与说唱两种指导语对言转歌错觉强度的影响，发现任一偏向都显著强于无偏向且说唱指导整体更高，但双偏向并未显著叠加且韵律等混淆仍待控制。

该文研究音乐大语言模型能否学会唤醒度和愉悦度连续分数回归，采用指令微调建立基本格式与粗略预测再用可验证数值奖励的组相对策略优化精修，最强证据是反馈对齐后在 DEAM 与 MERGE 上唤醒度和愉悦度同时提升且 MusicQA 能力得以保持，代价是仍需两阶段训练且部分条件下未超过专用编码器探针。

针对可逆恒 Q 变换各频带时域系数不等长导致的多次核启动与搬运开销，论文用打包实信号傅里叶加固定路由表把选频加窗重排折进带内短逆变换，在同算子同长度基线下把分析合成往返加速两到八倍，代价是实现固定在 65536 点切片并依赖重叠切片处理长信号。

该研究把 8 类独奏谱面图像转成 bootleg score 词序列做文本分类，用无标注语言模型预训练把 RoBERTa 片段准确率从 34.5% 提升到 42.9%，再用移调式训练与测试增强推到 58.8%，代价是长片段整页推理退化和大偏移抹掉音域线索。

该综述把乐器建模中的逆问题统一为从声振观测反推物理量的框架并分为十类任务，强调病态性与噪声敏感是共同困难，正则化与建模假设是稳定求解的关键，但感知相似的声音匹配不等于物理一致的参数恢复。

论文把音乐幻觉定义为五层感知接地失败，用矛盾判定加三范式诊断九个模型，发现人声误听普遍而调性感知分化架构，两种免训练干预在辨别式探针有效却常不能迁移到自由生成。

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

该研究以 391 首多轨录音为对象，用起音时间差与 Mel 谱相似度推断是否同室录音，报告有串音歌曲的时值波动中位数更低，但串音只是同室的非充分不必要指示且存在混淆。

ScorePrompts 针对用自然语言探索 MusicXML 乐谱结构的问题，选择先用固定 MIR 组件栈构造音符、拍、小节、乐曲四级对齐表示再做受约束语言生成与确定性问答， demo 贯穿单谱四阶段流程，代价是只面向机器可读西方调性乐谱且未验证生成句与证据的语义忠实性与音乐学正确性。

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该文把计算机音乐史重读为执行本体论的形成史，并以颗粒合成、现场电子乐与机器学习三类实践说明不可实现性不是技术失败，而是声音潜能未被穷尽的构成性条件，其代价是放弃以可计算、可调度和可优化作为价值标准。

该研究以 136 首已标注拍点的里尔与吉格演奏为对象，用核密度估计求主速度并做偏差曲线与乐句聚类，发现整体偏差仅在零附近小幅摆动而强加速只出现在开头乐句，其代价是只分析第一遍完整重复且依赖手工拍点标注。

针对钢琴演奏中呼吸隐蔽且难以精确回忆的问题，作者用纺织集成应变腰带同步记录胸腹呼吸与演奏数据并以事后可视化界面支持三重视角反思，在一位 35 年琴龄演奏者一个月四次会话中发现吸气锚定低音等耦合模式与主客观不一致的盲区，代价是单人个案尚不能推广到群体。

共收录 160 篇 nime-2026 会议论文的 Reader 深度解读

针对无记谱口传合作录音，该研究用音源分离加拍级描述符刻画人声与吉他互动，以多尺度相关找共性、以稳健回归残差找偏离，在 8 首合作录音上显示组织以曲目特异为主而偏离多对齐段落边界，代价是依赖专家拍与结构标注且受分离质量限制。

PHOTON 针对羽管键琴等历史键盘的可变结构与狭小间隙，用键杠杆下方的反射式光学阵列连续测量位移，在约 1 cm 行程上给出约 100 级单调位置与超过 250 Hz 的子集采样，并以拨弦点附近的斜率变化推断发声时刻，代价是中间值为非线性插值坐标而非绝对几何量且需逐传感器校准。

该文把空间聆听界定为连接听觉生理、现象学与社会政治的具身关系实践，以三件作者作品为线索串联理论，最强证据是文献与创作过程的对应说明，代价是未提供可重复测量的实验数据与对照。