论文解读
会话共现能否留下歌手之外的听感结构：一次可证伪的残差检验
论文把播放会话当句子训练跳元向量并用艺术家质心相减剥离歌手身份，以原始均值 0.2487 降至残差均值 0.0005 后仍有 4577 对跨歌手高相似为存在性证据，但自动播放混杂与重度用户偏差使结论止于信号存在而不及推荐性能。
音乐理解
本索引论文的研究方向
仅取本页论文已有的已核验分类，同一篇论文在每个方向只计一次；多个方向可能重叠。这些关联不表示标签名称与某个研究方向等同。
浏览全部研究方向 →论文解读
把申克分析变成逐层留音符：用多关系图与节点隔离学层次
针对巴洛克赋格主题的申克层次标注问题，AutoSchA 把乐谱建成多关系音符图并用节点隔离做可学习的逐层池化，在小样本专家数据上接近人类分析但仍残留可察觉的别扭连接且仅验证了该体裁。
论文解读
以关键姿态为动机：MotivDance 如何把细粒度文本钉到音乐节拍上再补间成舞
针对只有音乐输入而缺乏动机控制的问题，MotivDance 用文本生成关键姿态作动机、自适应定位到音乐节拍再做扩散补间，在 AIST++ 稀疏关键帧上取得 FIDk 64.36 与关键帧误差 0.1211，但无关键帧时节拍对齐仍弱于部分基线。
论文解读
有方向选择却更多样：爱尔兰传统曲调如何用新曲抵消走红曲的集中
论文用 13 年约 2 万首曲调的每周曲谱收藏数据比较中性、频率依赖与每首曲调自带适合度三类出生过程，发现方向性选择最强但多样性仍因新曲持续进入而上升，社会与旋律特征可解释适合度方差的 29%。
论文解读
把模糊边界变成可评测事件：TimeCues Studio 的整库标注与算法共用时间轴
TimeCues Studio 针对多人整库音乐标注与算法迭代脱节的问题，用共享节拍网格加四类标记与多候选加关键度扩展方案统一标注与评测，并在 109 首电子音乐自建库与 3 首 CC0 演示库上走通全流程，代价是首次分轨与特征缓存开销大且算法建议仍需逐条人工复核。
论文解读
把谱面与演奏对齐成文本：MuNo-SP 如何让模型听见弹了什么与怎么弹
针对音频语言模型只靠粗粒度标题难以刻画力度、 timing 与声部进行的问题，该研究用对齐后的谱面加演奏 MIDI 构造文本表示 MuNo-SP 并自动生成长时间听觉分析与问答，在 MuSP-Bench 联合理解与人工偏好上报告了高于 ABC 与 MIDI 文本基线的准确率，代价是表示更长且仍限于古典钢琴与 MIDI 可表达的属性。
论文解读
从描述到可改的反馈：VocalCoachBench 为何把声乐指导拆成结构化判定与主张级评估
针对歌唱音频的专家式指导反馈问题，VocalCoachBench 用同曲可控对比与异曲多样场景的双子集和原子主张拆分来构造可复现评估，12 个音频语言模型的实测显示成对排序可行但细粒度 Top-3 识别与严格诊断命中率仍低于多数类基线且严格命中低于 7%。
论文解读
同样 2 倍速为何体验不同：按运动、语速和节奏算快放感知质量
该文在 1x 到 3x 主观评分基础上，用视频时间信息、语音语速和音乐节拍分别拟合指数衰减并融合成视听模型，在独立新序列上与主观均值高度一致，但意图推断只做到粗粒度辅助。
论文解读
把拉格从玄学拉回有限状态：当重建变成约束 MAP 的精确动态规划
音乐理解 | 6.8/10
论文解读
把响度与形状拆开：用归一化解耦让板混响参数在病态地形中收敛
音乐理解 | 6.3/10
论文解读
用对比学习给 JEPA 当老师：7M 参数如何靠目标设计逼近 330M 大模型
音乐理解 | 6.5/10
论文解读
歌声里藏着母语的口型：当音素的物理约束在旋律中留下指纹
音乐理解 | 8.0/10
论文解读
只给顺序不给时间：用会遗忘的节奏记忆补上塔布拉转录的弱监督缺口
音乐转录 | 6.3/10
论文解读
听见了，就要指得出来：用可验证的时间证据检验音乐大模型的耳朵
音乐理解 | 6.5/10
论文解读
把空间感调得更夸张，音乐会更清晰吗？
音乐理解 | 6.1/10
论文解读
当和声不再只谈音高：用搬运代价度量音色的几何
音乐理解 | 5.5/10
论文解读
看得懂谱，听得出演奏，才算懂音乐：MuSP-Bench 为何要把乐谱与演奏放在一起考
音乐理解 | 6.2/10
论文解读
泛化失效有两种：能用标注买回的，和换什么表征也买不回的
音频理解 | 8.5/10
论文解读
当乐评人说两位歌手很像，声音本身答应吗？
音乐推荐 | 5.8/10
论文解读
让每个频率格为自己的关系负责：DS 接入音乐模型
音乐理解 | 7.2/10