音乐

针对全局音高和速度不变的失真查询，POLARIS 用局部归一化显著性选地标、用 Delaunay 三角形组指纹、只在查询侧加两跳邻域指纹，在自建手机重录集上报告了可复述的流程与查询代价变化。

该研究把 1046 个手工段落与 0.5 秒步长的模型估计效价-唤醒轨迹对齐，显示段落差异主要在唤醒度上且高唤醒位置偏向后段，但进入副歌路径多样、重复段落并不回到初始水平，代价是情绪轨迹来自冻结教师模型而非人工连续标注。

论文把生成与编辑看作稀疏到稠密的条件谱，用同一潜在流匹配模型在生成分支与重建分支间随机切换训练，以词级音素对齐、节拍条件和变分自编码器表征对齐提升可懂度，并用残差瓶颈容量换取重建保真度与可编辑性，最强证据是分离人声词错误率做到 0.133 但感知质量仍落后于偏好优化基线。

StepAudio 3 Music 针对完整歌曲的长程结构与高保真渲染矛盾，采用 50 赫兹 65536 表项单码本离散表示加混合专家自回归组织音乐序列再由流匹配扩散渲染 48 千赫音频，并以 ABC 记谱作显式编曲计划，在 339 条歌词到歌曲与 316 条人声条件上取得内容享受 7.7086 与文本相似 0.4465 的最高均值，代价是自回归序列翻倍与符 …

针对逐轮改歌时单轮编辑器记不住上文的问题，AURA 用多模态大模型把完整对话蒸馏成 9 个概念令牌并以帧对齐方式注入冻结的 MusicGen，在 Slakh 与 MoisesDB 上以 0.78 对 0.37 的 SSIM 和 +11.32 dB 的 SI-SDR 改善保持性，代价是抽取类任务仍弱于专用分离模型。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

该研究以 391 首多轨录音为对象，用起音时间差与 Mel 谱相似度推断是否同室录音，报告有串音歌曲的时值波动中位数更低，但串音只是同室的非充分不必要指示且存在混淆。

ScorePrompts 针对用自然语言探索 MusicXML 乐谱结构的问题，选择先用固定 MIR 组件栈构造音符、拍、小节、乐曲四级对齐表示再做受约束语言生成与确定性问答， demo 贯穿单谱四阶段流程，代价是只面向机器可读西方调性乐谱且未验证生成句与证据的语义忠实性与音乐学正确性。

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该报告研究如何在作曲家可控与实时可演之间组织计算音乐流程，以分析—规划—实现分层、数据驱动合成与前向预测节拍为方法选择，以乐团读谱与现场演出等实际呈现为证据，代价是未报告受控定量比较与可运行系统的完整参数。

论文以 1978-1979 年为 Lydia Kavina 制作的最后一台 Terpsitone 为对象，用实测建模的三维体、范德波尔振荡器差拍的声音引擎和头手质心映射的交互链做可演奏的虚拟现实孪生，历史考证显示至少四代形态而音量映射始终多变，当前原型已能走通动作到声音但精度与稳定性仍待验证。

该系统把沙面深度变化与沙盘小物件检测分别做成连续特征与离散切换令牌，再用多对多映射送入混合声音引擎，探索性使用显示无需乐理即可建立因果，但代价是细粒度手势易被淹没且单顶视相机存在遮挡中断。

针对机械漂移导致的机器人乐器动态响应不一致问题，论文用距离依赖加权把锚定实测的 KNN 与平滑泛化的 MLP 融合成一体，在 MalletOTon 四种采样密度下以平均 MAE 约 1.38 取得最低误差，代价是仍只用 RMS 单特征且未验证在线闭环与多乐器复现。

论文面对 Barlow 异构、过程性、软件依赖的原生数字遗产，提出以对象/事件框架加可扩展分类把过程翻译为可互操作元数据，证据是多 TB 硬盘遗产的原型编目与 Sibelius/MIDI/DOC/PDF 关联难题，代价是形式化必然不完备而需参与式持续修订。

针对混合音乐中扩展长笛技法难以只靠音高对齐跟谱的问题，论文把 Antescofo 的对齐机与轻量识别器 ipt~做松耦合混合切换，在 11 类技法上报告宏 F1 为 93.4%±0.1，但混合跟谱以增加延迟为代价换取跨演奏的稳定性。

该文把现场音色匹配做成每 0.093 秒调一次连续合成参数的强化学习控制问题，用描述符状态加五种奖励在合成器内域与跨域及真实乐器语料上验证，最强证据是同合成器内域匹配显著更准，而代价是跨域只能近似且对描述符与奖励选择高度敏感。

针对临时拼凑的多智能体与单体黑盒难复用难实时的问题，论文用类型化共享黑板加需要与提供声明实现自动拓扑调度，并在纯 Python 加原生库加速的路线下给出模块化可增量扩展的工程方案，代价是暂无定量性能评测与图形化工具仍在开发中。

该文把计算机音乐史重读为执行本体论的形成史，并以颗粒合成、现场电子乐与机器学习三类实践说明不可实现性不是技术失败，而是声音潜能未被穷尽的构成性条件，其代价是放弃以可计算、可调度和可优化作为价值标准。

针对端到端生成把创作压缩到提示词层的问题，该文选择对神经音频编解码器的量化音频潜嵌入做带时变系数的加权求和感知 morphing，用作品《龢》三阶段与五种编解码器对照验证可行性，代价是解码器鲁棒性与实时性等条件仍未被系统测量。