音频转乐谱与流行音乐的地位
Audio-to-score（A2S）将音频录音转换为乐谱文本。现有的 A2S 系统主要面向古典音乐。将其应用于流行音乐的研究仍然不足。此类系统中的乐谱以符号编码表示，包括 **kern 格式。
从事这一方向研究的有 Eoin Cummins、Zhongyi Huang、Alexandre D'Hooge、Zhuoru Mo 和 Yaolong Ju。预印本 v1 于 2026 年 8 月 6 日发布，v3 版本于 2026 年 8 月 25 日发布。该工作被第 34 届 ACM International Conference on Multimedia（MM '26）接收。
选择标准：工具所声称适用的曲目类型。古典音乐和流行音乐依赖不同的数据集和不同的基线结果。
SheetSage-A2S 语料库：构成与用途
该数据集为流行音乐上的 A2S 而创建。其构成：
- 61 小时音频；
- 9 468 个片段；
- 6 066 首独特歌曲；
- 以 **kern 编码表示的乐谱。
作者称该语料库是流行音乐 A2S 领域的首个此类数据集。数据、模型和代码均已公开。在该数据集上的结果为此后的工作设定了基准。
实用标准：该数据集适合作为比较流行音乐 A2S 模型时的参照点。对于古典曲目，则使用其他数据集，例如 Quartets。
数据增强：它改变了训练中的什么
数据增强通过变换已有样本来扩充训练集。作者将其与预训练的 MuQ 特征结合使用。目标是提升模型的泛化能力。
摘要中并未列出具体的变换类型及其参数。已知作者将数据增强与预训练特征的结合与泛化能力的提升相关联。这两种方法在同一训练方案中协同工作。
标准：在分析他人的流程时，有必要确认数据增强是否包含在训练中。作者将其与模型的泛化能力相关联。
预训练特征 MuQ
MuQ 是一个用于音乐音频的预训练特征提取模型。它已在音乐上训练过，因此 A2S 模型可以获得现成的音频表示。作者使用此类特征来提取音频的重要特征。
这为 A2S 系统带来什么：
- 特征由单独的预训练模型提取；
- A2S 模型使用现成的音频表示。
实用标准：预训练音乐特征适用于在 A2S 流程内部训练特征提取没有意义的情况。作者展示了这种方法带来的结果提升。
SER 指标与模型结果
SER（symbol error rate，符号错误率）是乐谱中符号的错误比例。评估在两个数据集上进行：古典音乐的 Quartets 和流行音乐的 SheetSage-A2S。
| 数据集 | 音乐类型 | 所提模型的 SER | 对比 |
|---|---|---|---|
| Quartets | 古典 | 4.98 % | 此前 state-of-the-art 的 SER 为 15.3 %（Alfaro-Contreras et al., 2024） |
| SheetSage-A2S | 流行 | 20.92 % | 数据集为新增，结果作为未来工作的基准 |
在古典音乐上，该模型将 SER 从此前 state-of-the-art 的 15.3 % 降至 4.98 %。对于流行音乐，作者记录了 20.92 % 的 SER。这些数值是在不同数据集上获得的，因此各行之间的直接比较并不恰当。
标准：仅在同一个数据集和同一音乐类型内比较 SER。
这对选择工具意味着什么
该工作填补了两个空白：为流行音乐提供了公开语料库，并展示了结合数据增强与 MuQ 特征的训练方案。在古典音乐上，结果明显优于此前的 state-of-the-art。
实用参考：
- 考虑模型是在什么材料上训练和验证的；
- 检查数据和代码的可用性——在这项工作中它们是公开的；
- 阅读 SER 时要结合数据集名称，而非孤立看待。
材料：预印本 arXiv:2608.06165，DOI 10.48550/arXiv.2608.06165。会议版本：DOI 10.1145/3767308.3835653。
