音乐

本文要解决整首钢琴录音直接转写成乐谱时的拍号节拍定位与自动分段问题，方法是联合学习表示小节内相对位置的下拍相位并用其傅里叶编码条件化解码器，最强证据是整首转录在节拍结构指标上显著提升，代价是相位与乐谱模型只在合成演奏上训练、在真实 expressive 演奏上仍有泛化缺口。

MixAgent 针对参考引导的多轨混音任务，用分组、检索增强的效果链规划与自底向上的检测加修正流程生成可编辑混音方案，并用 45,657 条修复评论训练的数值修正器在 MedleyDB 上把重建误差相对初始混音降低约 19%，但跨库与主观质量提升仍受评估规模和指标限制。

论文固定音乐事实只改变工具报告离答案的推理距离，发现模型会照抄直接结论但一步推导就大幅掉点，音频和中间步骤自述都救不回来，瓶颈在读工具而不在工具本身。

论文用同一段音频配对的状态查询与变化查询考查七个冻结大音频语言模型，发现窗口逐段打分能验证局部配器状态并在短分段编码器中随前文恢复对乐器离开的判断，而直接说出起止时间的提示几乎不能暴露这些信息，但绝对分数仍然不高且结论只在配器查询与受控构造下成立。

针对含有音乐的单通道目标语音提取，MuseFlow-TSE 先用显式估计音乐的跨源带划分提取器做掩蔽分离，再用从粗估计出发的数据到数据流匹配做 1 到 4 步精炼，在 16 kHz 合成复杂场景里保住词错误率和说话人相似度的同时改善听感，但结论只在该合成分布内成立。

本文先用线性增益下信号能否装进残余听觉范围来刻画各听力与音乐条件对压缩的需求，再对最需要的两类听力用听觉质量与可听度加权的客观目标按信号优化单通道与多通道压缩器的静态曲线，并在 55 与 90 dB SPL 平均下与增益优化的临床处方基线比较，多通道优化在保持不超不适阈的同时提高了质量与可听度，但增益与通道数的作用与听力形状有关且结论只在客观指标内成立。

针对合奏中响亮持续音掩盖弱钢琴起音导致幅度特征失效的问题，论文在 Transkun 区间打分上叠加由短时傅里叶相位差驱动的起音增强分支，并在三重奏与协奏曲两套精确标注数据上验证了召回率为主的提升，但速度与延音踏板的增益受录音分布影响。

论文把钢琴 MIDI 扩展为器乐流行伴奏定义为 Piano2Pop，用流行录音反向合成的伪钢琴小样微调流匹配生成模型，在 476 对真实翻弹检验下配对监督路线最接近真实流行，功能选择式转录是可行的无配对替代，但结论只在 30 秒片段与客观指标条件下成立。

针对音乐效价难以从音频直接预测的问题，论文用小规模音频基座模型给出初值，再用文本与多模态上下文示例让大模型只预测残差修正量，在 MER60 上把效价 R2 从 0.110 提升到 0.427，但多模态示例增多后收益会回落。

本文解读《Resonance and Depth》如何用个人打击乐语料、多智能体重组与对象化空间把音色和空间写成 9 分钟沉浸式演出的形式，证据是作者在 SAT 穹顶的现场演出记录与系统分工描述，代价是缺乏可量化的音色与空间效果评估。

论文把扩展 Karplus-Strong 做成按拨弦事件输出参数的声匹配系统，对比时域拉格朗日插值与频率采样两种可微实现，发现谱损失给不出多事件起音方向梯度，合成数据上只用参数损失学得最好，而真实吉他上借助外部检测器只优化音色泛化最好，但重建保真度仍不及泛音加噪声基线。

论文以弦乐与电子音乐史为背景，对比两部作品处理人工智能的不同立场，并以四把大提琴加现场电子演奏者的新作为例说明如何把语言模型生成文本、变声与三维扩声组织成可复述的创作流程，其结论只在现场音乐厅聆听与作曲家掌握技术的条件下成立。

MuLaCover 把翻唱问题定为在歌词与风格文本控制之外再加入 BPM 归一化的旋律加和弦符号条件，用门控交叉注意力注入预训练文本到歌曲模型，并用跨版本配对微调学会错位渲染，在完整翻唱上接近 Suno-v5.5 并在片段参考下退化更平缓，代价是依赖转录质量与合成数据训练。

论文针对结构标注少、边界与功能标签需求不同、纯音频忽略歌词的问题，用部分标注的 SheetSage-MSA 补充训练，并用边界、功能、歌词三条通路分别建模，在 SongFormBench-HX 上提高边界召回与标签准确，但仍受标注口径不一致和同功能重复段边界难召回的限制。

论文解决自然语言混音请求缺少具体操作参数的问题，用可执行 Lua 代码连接语言模型与 REAPER 工程，并以 110 组人工审核参考编辑证明越具体的指令执行越准、越抽象的听感描述偏差越大，而多轮检查修订与强制音频测量带来不同代价。

论文用只看旋律的轮廓检索系统研究口哨和错词演唱两种查询，三代合成查询把合成集首位命中率提高约 7 个百分点却都没有改善真实口哨，而在已知 8 首歌的封闭集内用真实口哨微调才从 0.631 提高到 0.673。

MUB 把 500 首遮去标题身份的录音配上速度、调式、拍号和全曲结构区间来考查多模态模型是否真从音频听出音乐内容，现有证据只有波形启发式与分布常数两类参考基线且验证尚未完成。

CochlearMark 把水印藏在听神经锁相特征经密钥投影后的得分里，用很小的波形扰动把得分推过阈值，在语音音乐环境音上保持可听性与常规编辑鲁棒性，但在神经编解码低码率与改内容变换下会失效。

DuET 针对富有表情的钢琴演奏到乐谱映射，提出音符编码器加帧编码器双路结构并联合学习拍点跟踪，在 Gangqinpu 上把 MUSTER 平均误差从 6.56% 降到 3.64%，在 ASAP 上从 11.30% 降到 11.22%，主要增益在时值与节奏组织但漏音多音误差仍有局限。

该研究用两阶段盲听加混合模型检验 Opus 音乐压缩的可感知透明阈值，发现 128 kbps 只对普通听众不显著而 160 kbps 才能在挑剔听众加难样本的压力测试下同时通过差异检验与等效性检验。