音乐

CrowdForge 让现场观众在演出前投票决定生成式音乐与混合现实画面的高层参数，通过两场共 19 人的三条件音乐会发现可观察性决定能动感，音频带来情绪唤起而视觉提供清晰反馈，但结论受小样本与同场共置设置的限制。

本文把音乐元宇宙的通信问题定义为在带宽与时延受限下保住协调演奏所依赖的音乐事件与时间关系，提出提取、编排与同步三支柱与语义优先架构，但未做实测验证，只给出待检验的接口与诊断指标。

论文要解决 32 位浮点音频无法用 FLAC 无损发行的问题，采用帧内按指数对齐再把相干波形与不相关噪声分开编码的办法，在高分辨率音乐上做到与 24 位整数 FLAC 相当的体积并保留超过 0 dBFS 的峰值，代价是上子帧宽度需要折中选择且极端动态要切换到保底编码。

针对本地音乐应用在导入时需快速、小体积估计调性的问题，论文用确定性色度模板打分做初排，再用 2 万参数的 Transformer 结合帧级色度上下文做残差纠正，在 1000 首密封 FMAKv2 上把 MIREX 从 61.08 提高到 73.55，代价是增加 115 KB 模型和 76.7 MB 含 ONNX Runtime 的安装体积与每首 0.32 …

论文把同一首马里奥曲子里的段落配成上下文与目标，用复合相似度打出高中低三档标签来微调 Moonbeam，让高相似请求在平均上更贴近原段，主要靠更多复述原旋律，但幅度远小于真实段落差异且听感实验未能检出单次差异。

针对小提琴起音柔和导致先切音符再分类不可靠的问题，VioTech 用冻结声学编码器加多尺度专家与任务路由做 10 毫秒逐帧预测，在跨数据集上提升了拨弦与跳弓等瞬态技法的检测，但换弓点检测下降且泛黄音仍困难。

TAPE 用识别 68 个插件的编码器得到处理嵌入，再用一次前向的可微 DSP 链解码为可编辑参数，在 60 对跨内容迁移上谱误差低于已发布模型与逐例搜索，但实时与泛化仍受链结构与评测条件限制。

论文把复调钢琴转谱做成每帧 88 个音高的多标签分类，用 252 维对数频率 CQT 做输入，以双向 LSTM 加前端改进多头注意力建模时间与频谱依赖，在 MAPS 与 MAESTRO 联合训练下最好达到 F1-score 88.20% 与准确率 78.90%，代价是 4.43M 参数与约 11.6 ms 帧分辨率等启发式后处理的局限。

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。

该文把 3 秒音频的 57 个数值声学特征先变成高低符号标签，再对多层感知机最后 32 个神经元按激活强弱分组并做概念归纳，在流派和乐器两类任务上分别确认 9 个和 10 个神经元概念，其中 7 个和 9 个通过曼惠特尼检验，但结论只在给定特征映射、阈值和验证集下成立。

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。

该文用两阶段把定时音符先变成每弦基频与包络曲线再合成音频，在 GuitarSet 上控制保真与主观分领先单阶段与 DDSP-Guitar，但频谱距离指标 MSSL 仍落后于直接优化混音的 DDSP-Guitar。

ChoreoStudio 针对群舞队形演变不足的问题，用编排计划先决定队形、切换时机与舞者分工再生成动作，在 AIOZ-GDance 上提升群组真实感与队形动态，但结论只在 150 帧统一评测与所用指标下成立，且长序列与多人时优势会变化。

流行歌人声密、结构变化大，选歌、选进出点和选混合手法互相牵制，DJustify 让同一个大语言模型一次给出联合方案并把渲染出的音频交给确定性声学检查做修复，固定歌对盲听优于已有自动系统而三分钟故事整场与人类 DJ 无可测差距，但检查器只修补偶发切断人声而未提高平均分。

论文把 KID 默认三次核与 KAD 默认中位数高斯核当作置换双样本检验，在 780 每侧样本下用输运距离匹配的平移、收缩与旋转探测它们能检出什么，并用样本量与带宽扫描说明恢复灵敏度的代价。

Gangqinpu 用自动转谱、对齐、表情过滤和流派标注把多风格钢琴音频、演奏 MIDI 与乐谱配成 18786 对，用节拍跟踪跨数据集提升与转谱和渲染主要在域内获益证明其补充价值，但跨域泛化仍不均匀且标注全为自动生成。

该文用韵律、音色、发音和演唱技巧四类可测量特征做歌唱情绪分类，在 RAVDESS 上歌唱优化集达到 UAR79.6% 并降低跨歌手波动，代价是技巧特征依赖 CNN 估计且结论只在有限歌手、表演式情绪和少类别条件下成立。

JIT-MPE 用一个因果模型对每帧先即时估计再用延迟头修正，在 50 毫秒截止下接近自身最终输出，并在多个集上以 8.6 万参数达到可比精度，其提升主要来自音头后几十毫秒的修正。

该文把旋律控制写成以可微基频估计为观测算子的逆问题，用扩散后验采样加三角波暖启动引导无条件模型，在钢琴、吉他和人声上达到接近专用条件模型的旋律准确率，但音色、咬字等不受控细节仍由先验决定。

该研究用分轨音频能量、可视乐器框与清晰度组成可解释打分并按节拍切分选景，在一场四机位爵士音乐会的三位专家试评中预测打分版整体评价未超过随机选景，说明局部视听相关性不足以决定成片质量。