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。
音乐理解
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
论文解读
From local kernels to global form: modeling the emergence of musical content
音乐理解 | 8.2/10
论文解读
Humanoid Musical Robots as Experimental Interfaces for Music-Evoked Emotion
音视频交互 | 5.9/10
论文解读
MusPyExpress: Extending MusPy with Enhanced Expression Text Support
音乐理解 | 8.7/10
论文解读
TCP_α: Margin-Controlled Confidence estimation for reliable Music Information Retrieval
音乐理解 | 8.4/10
论文解读
Computational Features for Symbolic Melody Analysis
音乐理解 | 7.6/10