音乐

BIKES 把电动货运自行车做成可移动联网乐器，用集中式到网状网络、分布式音频与工业设计迭代解决户外移动演奏与教学问题，最强证据是四车系统的公共骑行与装置验证，代价是第二阶段外观模型尚无发声功能且系统依赖现场网络与人工运维。

该文把皮肤电、动作与面部表情当作可演奏的音乐材料，用 Python 中间件加 Pure Data 两阶段映射在键盘实践中检验，报告称离散受限映射更清晰、高层和声触发更连贯，代价是即时性下降与系统复杂、学习曲线陡峭。

该文用弦两端载荷单元反推弓弦压力、用固定磁场感生弦速直方图分离粘弦速度来实时估计弓速，并把两路参数接到弓—质量摩擦模型验证可演奏性，代价是必须贴近支点与磁体运弓且力估计存在位置相关偏差。

CALM 研究如何把双侧身体运动、费力和协调直接转成声音密度与空间行为，证据是手套速率与双侧阈值控制的 abrasive 静止层与和声运动层的对抗结构，代价是放弃快速即兴与精确可移植性。

针对管乐谱到音频缺少可控可复现数据的问题，论文用 311 首四部圣咏的 MEI 编码加规则表情模型加物理建模合成构建对齐的多轨数据，最强证据是 86 小时隔离音轨与 640000 种组合的完全对齐标注，代价是合成音色不及真实录音且不追求数据驱动最优音质。

该研究以检索加规则检验做古典钢琴符号混搭，用 8 小节可控听辨分离和声、终止逻辑、动机可辨识度和织体四个因素，发现终止逻辑与可辨识度及复调并置更关键，代价是仅在短片段、均匀钢琴音色和小样本条件下成立。

该文把钢琴指法当作带生物力学约束的序列标注问题，用卷积网络提局部键盘模式、双向长短期记忆网络建前后依赖并加注意力与前向规划，在钢琴指法数据集上报告通用匹配率约 82.6%、最高匹配率约 92.1%，代价是去掉物理约束后通用匹配率掉 11.4 个点且复调大跨度仍需人工把关。

该研究把植物生物电与光照湿度数据经物联网送入作曲环境来实时生成六声部乐谱，早期排练与观测显示声音与光照变化伴随信号波动，但完整演奏者与植物反馈闭环与互惠机制仍待验证。

该研究把协作节奏乐器与多人空间布局放在 PatchWorld 内共同设计，用 9 人两组迭代得出通用节奏盒与三人半圆分层舞台，并报告视觉反馈为主、归因模糊为关键代价的发现。

针对大语料深度模型不适用个人作曲且只处理音高时值的问题，该文把带表情的动机表示为音程状态轨迹并以卡尔曼式随机偏离生成变体，用作曲家自己的选择在线调节方差与结构编辑概率，代价是只做单声部且无定量评测与用户研究。

该研究以 136 首已标注拍点的里尔与吉格演奏为对象，用核密度估计求主速度并做偏差曲线与乐句聚类，发现整体偏差仅在零附近小幅摆动而强加速只出现在开头乐句，其代价是只分析第一遍完整重复且依赖手工拍点标注。

本文回溯 1980 年代中期以来以西方记谱与音高节奏形式化为核心的计算机辅助作曲，指出其在音色连续性、实时性与多模态输出上的局限，并提出以多模态输入输出与人机协作为方向的扩展愿望，但未提供定量实验验证。

论文以七年四版 Bot Party 为线索，研究残障设计认识论如何把玩家间皮肤接触变成可检测、可奖励的核心机制，最强证据是触觉失效时参与迅速坍缩与触觉恢复后群体玩法的回升，代价是单设计师自述民族志与展览数据的可比性与泛化边界受限。

该文用离线描述符分析加四种可堆叠查询在 Max/MSP 里动态形成空间化声音组，并以四组共用 150 个声源的固定媒体作品验证流程，其代价是离线分析耗时、堆叠与动态查询受限和空间化带来的 CPU 压力。

该文把节奏同步建模为单反射点 IPF 对外部点击轨的逐拍跟随问题，用人工阶跃、线性、正弦与噪声点击轨检验同步、过冲与多节奏锁定范围，代价是存在明显相位差和过渡振荡且只用受控仿真而非真人合奏验证。

该研究把卷笔刀嵌入吉他音箱与调音台并保留原有外观与旋钮操作，用削铅笔的摩擦振动经压电元件送入原输入链路作为声源，通过两次展览的质性观察显示违和感反而降低了参与门槛，但结论限于铅笔削笔这一特定动作而未做定量对照。

针对文字难以规定节拍、旋律与演绎细节的问题，该工作用与主干同构的模板把控制音频转成逐层键值记忆注入冻结的生成分支，在单控制评测中把五类控制依从指标推到基线之上，同时自动音质与文本对齐分数与基线大体相当但存在指标级回落。

论文要解决高层作曲组织与底层实时 DSP 长期分离的问题，选择全部用 Common Lisp 重建调度、合成、记谱与界面，最强证据是同一 Lisp 映像内改 UGen 与预设并即时发声，代价是依赖 Incudine 与 CLOG 等外部生态且无受控定量评测。

该研究从法国电视广播档案出发固定编码器与训练步数，只改变一千小时预训练子集的成分，再用语音识别与语音音乐检测等下游对照检验成分效应，结果显示去音乐有助于识别而多样内容有助于兼顾语音与音乐，重复则同时带来识别下降与记忆上升。

该文在 FME-24 上比较手工特征 k-Means 与 VaDE 加对比学习的情感检索，前者聚类更紧致而后者支持按坐标连续取歌，但两类结果都受样本少与情感区间压缩的限制。