音乐

针对包含速度调性和弦的细粒度音乐检索，FIGMA 冻结 MuQ 与 E5 双编码器只训练投影头并联合全局与帧级对比损失，在 MusicBench 与 FMACaps-Eval 上报告最高 73.3% 相对提升，代价是依赖自动特征提取与单句客观描述的构造流程。

该工作把任意输入音频的频谱特征映射到在 7999 个电子舞曲鼓循环上学到的 256 个离散节奏原型，再用力度解码器恢复动态并用用户原声合成，在验证集上重建汉明距离为 0.0064、力度误差相对均值基线降低 77.4%，代价是 2000 个环境声音只激活 50% 码本且弱音表现不足。

针对巨型傅里叶变换改相位会破坏频率间时间关系并把离散事件抹成持续纹理的问题，论文把相位转成群延迟做谱峰分割与整组均匀搬移，用合成与实录四音逆序、振幅比例展开与正弦调制复制证明离散包络可保留，代价是共享频点的重叠事件无法独立重排。

针对语音、环境声、音乐三域音频幻觉缺少大规模可诊断评测的问题，HalluAudio 用 5720 对人工校验问答与对抗诱发设计做零样本评测，报告显示结构与感知幻觉普遍存在而准确率无法代替可靠性判断。

针对一次指令只给一个预设、无法在已有参数上连续修改的问题，论文用大语言模型做效果选择与初始化、再用 CLAP 引导的优化做原地微调，在 SocialFX 均衡器词对上 10 组中有 9 组的最大均值差异低于重提词基线，但非可微效果与长时间优化仍不稳定且每轮需要秒级计算。

针对单轨音乐问答无法考察跨轨比较的问题，该研究用四阶段流水线构造每对三问的比较问答集，并用统一评测显示句子级比较解释是当前模型的主要瓶颈，而其代价是严格过滤后保留高精度子集与依赖文本中间表示。

针对现场演出中传感器链路易失灵的问题，L-Bow 用腕戴六轴惯性单元加 Csound 原生 arduinoRead 直读串口，把采集、六种演奏模式与共享效果链收进单个.csd 文件，报告显示 20 次触发测试零误触发且平均延迟比 Python-OSC 桥低 22.5 ms，代价是 10 位量化和 9600 波特率下的分辨率与帧时间限制。

该文把求载波复音以产生目标二次差频谱的问题转成学习失真函数连续近似逆，用齐次结构加课程式训练换来可实时插值的合成器，代价是重建误差略高于随机牛顿迭代。

针对 MIDIBERT 做符号音乐情绪识别时调式-情感关联缺失的问题，用 Krumhansl-Kessler 提取大/小调并以 FiLM 注入第一层，在 EMOPIA 达 75.2% 准确率、VGMIDI 达 59.1% 准确率，代价是只用二分类调式并依赖自动调式估计的正确性。

Muse 针对长歌曲不可复现问题，用 116489 首授权合成歌曲与全局加分段风格标注训练单阶段自回归模型，在小参数下取得可比的歌词对齐与风格相似度，并以多轮分段生成实现细粒度风格控制。

论文以音乐演出问答为对象，论证连续重叠音画与多尺度时间推理需要专门的输入处理与空间-时间结构，其证据是带时空设计的方法在三套基准上系统性领先，而代价是更复杂的分段选择与跨模态对齐及对音乐先验建模不足。

该研究针对完整乐谱的多级理解问题，选择 ABC 文本与 PDF 图像双模态生成问答评测，最强证据是文本问答约 49.44% 而视觉问答仅约 24.22%，代价是跨级全对的严格成功率迅速归零且微调仍难维持高层一致性。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

针对传统电吉他拾音位置在演奏时固定且混弦输出的问题，PolyMap 用 8 弦×8 位置共 64 个有源拾音胶囊在琴内数字化并经 MADI 输出，在 32 采样缓冲与 48 千赫兹条件下测得端到端 259 采样即 5.4 毫秒延迟，代价是拾音器主导的负 73 至负 67 分贝全刻度噪声与复杂的 64 通道后期混音负担。

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。

该文以脉冲成形原理重访脉冲表合成，用按基频索引的单周期脉冲加时变低通、成形噪声与混响生成铜管音色，并以小号三八度与起振微调制案例说明表情来自三条控制曲线的联动，代价是脉冲与轮廓仍难从混响录音中稳健自动提取。

针对全局提示无法刻画配器情绪能量随段落演变的问题，SegTune 用全局加分段层级条件与大模型句级时长预测做非自回归扩散生成，在 15 首中文流行歌测试中把音素错误率降到 14.5% 并把音乐性主观分做到 4.57，代价是偏好优化后性别年龄跟随出现下滑。

针对前向加噪加反向去噪带来的旋律失真问题，论文用增量去噪分数直接在数据空间优化音频，并用个性化增量分数加分布偏移正则与时序对比损失引入用户自定义风格，报告显示在内容保持与偏好率上占优，但强风格迁移与原曲保持之间仍需权衡。

TART 把吉他音频转谱拆成音频转 MIDI、九类技巧分类、音频条件弦品指派和 MusicXML 生成四步，用 81.35% 的平均音频转 MIDI F50 与 71.8% 的弦品 Tab F1 实现零样本领先，代价是第一步误差会向后传播约 17.75 个百分点。

针对语音与音乐联合训练中的任务冲突和数据不均衡，论文用动态容量混合专家做按词元分配计算的三阶段课程训练，在语音内容一致性和音乐美学指标上报告了超越专用基线与稠密联合基线的结果，代价是更复杂的专家初始化与路由调参流程。