AI音乐周刊 W.A 020

AI音乐周刊 W.A 020 AI音乐周刊 W.A 020 Modified March 23 • 发布即盈利： 创作者无需离开 ElevenCreative 平台，只需输入提示词（Prompt）生成音轨、进行微调并点击发布，即可开启赚钱模式。每当这些曲目被其他用户下载，或是被重新混音（Remix）用于新项目中时，创作者都能获得持续的收益分成。 • 千万美元级的成功复刻： 官方透露，其此前上线的“语音市场（Voice Marketplace）”已累计向创作者支付了超过 1100 万美元的巨额报酬。如今，他们正将这套成熟且被市场验证的“创作者经济”模式全面引入音乐领域。 • 颠覆传统商用授权机制： 对于营销人员和企业买家而言，该市场彻底消除了传统音乐授权的复杂性。这里没有昂贵的同步许可费（Sync fees）、无需繁琐的逐次使用权谈判，也没有漫长的版权清算延迟。买家只需选择对应的授权等级，即可一键下载并放心商用。 这项举措不仅极大地激励了 AI 音乐创作者，也为企业方提供了一个高效、透明的正版音乐素材库。 体验入口：https://elevenlabs.io/app/music Mureka 近期更新：一键Remix与专业级Studio上线，解锁12轨智能分离！ 3月20日，知名AI音乐创作平台 Mureka 近日迎来了全面的功能升级。根据官方发布的更新公告，本次升级聚焦于音乐的深度编辑与二次创作，正式推出了“Remix（重混）”与“Studio（工作室）”两大核心功能板块，进一步拓宽了AI音乐创作的边界。 以下为本次更新的核心亮点： 🚀 💿 Remix 功能：一键重塑，极简重混 全新的 Remix 专为快速改编和创意碰撞设计，让音乐风格转换变得前所未有地简单： • 一键切换流派： 瞬间改变原曲的音乐风格（流派），同时完美保留原始的人声和主旋律。 • 重写音乐故事： 在保持旋律完全一致的前提下，支持对歌词进行重新编写和替换。 • 极简操作流程： 用户只需通过“上传、调整、生成”三个简单的步骤，即可轻松完成一首属于自己的 Remix 作品。 ✨ Studio 工作站：专业级多轨编辑体验 面向对音乐制作有更高要求的创作者，Mureka 推出了功能强大的 Studio 模式： • 多轨时间线编辑器： 提供直观的音频可视化编辑界面，可精准控制和调整 BPM、音量及音高。 • 强大的分轨处理： ◦ 分轨生成： 支持一键添加与原曲无缝融合的人声或乐器轨道。 ◦ 分轨提取： 可将完整的混音文件精准拆分为独立的音频或 MIDI 轨道。 • 精细化局部重塑： ◦ 选择性重新生成： 能够无缝更改歌曲中任意指定片段的歌词或风格。 ◦ 双向无损扩展： 在不破坏原始音频的情况下，自然地为歌曲添加前奏或尾奏。 ◦ 备选轨道（Alternate Take Lanes）： 系统可自动生成多个备选片段，供用户试听并合成出最完美的音轨。 除了官方公布的功能外，小编留意到，Mureka 的高级会员（Premium）订阅选项中新增了一项“最高 12 轨智能音频分离”的进阶功能。 需要注意的是，目前强大的 Studio 编辑器以及 12 轨分离功能 仅向高级会员开放，此外，本次的所有更新目前仅在 Mureka 国际版推出，国内版本暂未同步，国内创作者还需耐心等待。 立即体验：https://www.mureka.ai/home Suno 推出重磅实验工具 MILO 1080：AI 驱动的 16 轨步进音序器 3 月 20 日，Suno Labs 正式上线了一款极具可玩性的实验性音乐工具——MILO 1080（模型集成循环编排器）。它巧妙地将传统的 16 轨步进音序器（Step Sequencer）与生成式 AI 结合，为创作者带来了一种“玩乐优先”的全新混合编曲体验。 功能亮点 • 文字秒出音色： 颠覆传统采样库！用户选中轨道后，只需输入文字提示词（Prompt，如“扭曲的 808”或“梦幻 Pad”），AI 即可瞬间生成专属音色并直接应用。 • 多维混合编曲： 完美融合了手动点格、程序化规则与 AI 生成。支持一键让 AI 自动补全整段 Loop，16 条彩色轨道可轻松叠加鼓点、贝斯与环境音效。 • 硬件与采样支持： 不仅允许用户上传个人采样（Samples），还全面支持外接 MIDI 键盘与控制器，为现场实时控制提供了巨大潜力。 体验须知 目前该工具仍处于测试阶段，用户可通过 Suno 网页端左下角的“Labs”烧杯图标进入（建议在桌面端使用）。虽然现阶段暂不支持一键直连导入 Suno 主站（需先下载到本地再上传），但其极低的门槛和丰富的内置流派模板（Ideas）让零基础新手也能在 1 分钟内迅速上手，轻松制作出酷炫的电子或嘻哈律动。 Suno官方发了相关教程，但是比较抽象，小编制作了个中文网页文件进行说明，感兴趣的读者可以在后台私信发送“MILO 1080”获取。 Tunee 近期更新：Tempolor V4.5+ 模型上线与虚拟艺人MV内测 3 月 6 日，Tunee接入自研模型 Tempolor V4.5+，特点如下 🤖 • 编曲细腻度全面升级： 加深了对复杂乐器编制的理解，彻底告别扁平化听感。 • 风格听感精准匹配： 能根据设定流派自动匹配最纯正的音色库与混音空间，做到“懂流派，更懂质感”。 • 人声与伴奏立体融合： 即使在复杂编曲下，人声依然保持极高的穿透力与清晰度，咬字精准且情感充沛，完美融于伴奏之中。 另外，官方近期在内测“MV&虚拟艺人”功能，并预告将于本月底正式发布。届时还将同步上线趣味互动玩法🦞“Tunee skill”，号召“养虾一族”集体开麦。 工具链接：https://www.tunee.ai/home AI 成为作曲搭档？Roland 携手 Sony CSL 推出旋律生成软件 Melody Flip 近日，知名乐器制造商 Roland 宣布与索尼计算机科学实验室（Sony CSL）共同开发了一款由 AI 辅助的旋律生成软件 Melody Flip。Roland 强调，该软件的核心愿景是将 AI 定位为扩展人类创造力的“合作伙伴”，而非音乐制作的“替代品”。 功能亮点 • 智能音频解析： 用户导入音频文件后，软件能够自动解析歌曲的结构、BPM、调性（Key）、和弦进行、流派与情绪等关键音乐要素。 • 创意调色板（Creative Palette）： 基于解析结果，系统会从内置的约 300 种风格/音色库中推荐最匹配的选项，并依此智能生成旋律、和弦、贝斯及鼓点声部。 • 高度可控与导出： AI 生成的内容仅作为灵感提案。创作者可以自由地进行选择、组合、替换和重新构建，并将满意的各声部无缝导出为音频（Audio）或 MIDI 文件，完美融入现有的编曲工作流。 Melody Flip 兼容 Mac 与 Windows 系统，并支持在各大主流 DAW（数字音频工作站）中运行。Roland 计划于 2026 年 5 月通过 Roland Cloud Manager 向其云服务会员提供免费试用版，正式版的定价与具体发行形式暂未公布。 论文 🤖 以下是 3.17—3.23 期间发布的相关论文，已整理翻译 AILive Mixer：一种基于深度学习的零延迟现场音乐表演自动混音器 摘要：在这项工作中，我们提出了一种面向现场表演的基于深度学习的自动多轨音乐混音系统。在现场表演中，声道通常会受到同场乐器串音（acoustic bleeds）的干扰。此外，音画同步至关重要，因此对音频延迟提出了严格的限制。在这项工作中，我们主要解决处理输入声道中的串音以产生零延迟音乐混音的这两个挑战。尽管近期自动音乐混音领域取得了一些进展，但大多数或所有先前的工作都集中在孤立乐器信号的离线制作上，据我们所知，这是第一个专为现场音乐表演开发的端到端深度学习系统。我们提出的系统目前可预测多轨输入的单声道增益，但其设计以及过去工作开创的先例，使其能够轻松适应未来预测其他相关音乐混音参数的工作。 论文：https://arxiv.org/abs/2603.15995 无尽的对话：Carlos Paredes 唱片中人声与吉他互动的计算分析 摘要：计算音乐学能够对录制音乐中的表演和结构特征进行系统分析，然而现有的方法在很大程度上仍然是为基于记谱和乐谱的曲目量身定制的。本研究提出了一种分析 Carlos Paredes 声乐合作中人声 吉他互动的方法——这是一个口传传统的语境，其中作曲和表演层面共同涌现。利用声源分离的主干音轨、基于物理的谐波建模和节拍级音频描述符，我们考察了四位歌手在八部录音作品中的旋律、和声与节奏关系。我们的共性 多样性框架结合了多尺度相关性分析和基于残差的结构偏差检测，揭示了表达性的协调主要取决于具体作品，而非贯穿整个语料库。多样性事件系统地与曲式边界和织体变化对齐，表明该方法能在极少人工标注的情况下识别出具有音乐显著性的重组。该框架进一步为没有记谱蓝图的曲目提供了一种可泛化的计算策略，将音乐表演分析扩展到了口传传统和受即兴影响的实践中。 论文：https://arxiv.org/abs/2603.12854 • 发布即盈利： 创作者无需离开 ElevenCreative 平台，只需输入提示词（Prompt）生成音轨、进行微调并点击发布，即可开启赚钱模式。每当这些曲目被其他用户下载，或是被重新混音（Remix）用于新项目中时，创作者都能获得持续的收益分成。 • 千万美元级的成功复刻： 官方透露，其此前上线的“语音市场（Voice Marketplace）”已累计向创作者支付了超过 1100 万美元的巨额报酬。如今，他们正将这套成熟且被市场验证的“创作者经济”模式全面引入音乐领域。 • 颠覆传统商用授权机制： 对于营销人员和企业买家而言，该市场彻底消除了传统音乐授权的复杂性。这里没有昂贵的同步许可费（Sync fees）、无需繁琐的逐次使用权谈判，也没有漫长的版权清算延迟。买家只需选择对应的授权等级，即可一键下载并放心商用。 这项举措不仅极大地激励了 AI 音乐创作者，也为企业方提供了一个高效、透明的正版音乐素材库。 体验入口：https://elevenlabs.io/app/music Mureka 近期更新：一键Remix与专业级Studio上线，解锁12轨智能分离！ 3月20日，知名AI音乐创作平台 Mureka 近日迎来了全面的功能升级。根据官方发布的更新公告，本次升级聚焦于音乐的深度编辑与二次创作，正式推出了“Remix（重混）”与“Studio（工作室）”两大核心功能板块，进一步拓宽了AI音乐创作的边界。 以下为本次更新的核心亮点： 🚀 💿 Remix 功能：一键重塑，极简重混 全新的 Remix 专为快速改编和创意碰撞设计，让音乐风格转换变得前所未有地简单： • 一键切换流派： 瞬间改变原曲的音乐风格（流派），同时完美保留原始的人声和主旋律。 • 重写音乐故事： 在保持旋律完全一致的前提下，支持对歌词进行重新编写和替换。 • 极简操作流程： 用户只需通过“上传、调整、生成”三个简单的步骤，即可轻松完成一首属于自己的 Remix 作品。 ✨ Studio 工作站：专业级多轨编辑体验 面向对音乐制作有更高要求的创作者，Mureka 推出了功能强大的 Studio 模式： • 多轨时间线编辑器： 提供直观的音频可视化编辑界面，可精准控制和调整 BPM、音量及音高。 • 强大的分轨处理： ◦ 分轨生成： 支持一键添加与原曲无缝融合的人声或乐器轨道。 ◦ 分轨提取： 可将完整的混音文件精准拆分为独立的音频或 MIDI 轨道。 • 精细化局部重塑： ◦ 选择性重新生成： 能够无缝更改歌曲中任意指定片段的歌词或风格。 ◦ 双向无损扩展： 在不破坏原始音频的情况下，自然地为歌曲添加前奏或尾奏。 ◦ 备选轨道（Alternate Take Lanes）： 系统可自动生成多个备选片段，供用户试听并合成出最完美的音轨。 💿 Remix 功能：一键重塑，极简重混 全新的 Remix 专为快速改编和创意碰撞设计，让音乐风格转换变得前所未有地简单： • 一键切换流派： 瞬间改变原曲的音乐风格（流派），同时完美保留原始的人声和主旋律。 • 重写音乐故事： 在保持旋律完全一致的前提下，支持对歌词进行重新编写和替换。 • 极简操作流程： 用户只需通过“上传、调整、生成”三个简单的步骤，即可轻松完成一首属于自己的 Remix 作品。 ✨ Studio 工作站：专业级多轨编辑体验 面向对音乐制作有更高要求的创作者，Mureka 推出了功能强大的 Studio 模式： • 多轨时间线编辑器： 提供直观的音频可视化编辑界面，可精准控制和调整 BPM、音量及音高。 • 强大的分轨处理： ◦ 分轨生成： 支持一键添加与原曲无缝融合的人声或乐器轨道。 ◦ 分轨提取： 可将完整的混音文件精准拆分为独立的音频或 MIDI 轨道。 ◦ 分轨生成： 支持一键添加与原曲无缝融合的人声或乐器轨道。 ◦ 分轨提取： 可将完整的混音文件精准拆分为独立的音频或 MIDI 轨道。 • 精细化局部重塑： ◦ 选择性重新生成： 能够无缝更改歌曲中任意指定片段的歌词或风格。 ◦ 双向无损扩展： 在不破坏原始音频的情况下，自然地为歌曲添加前奏或尾奏。 ◦ 备选轨道（Alternate Take Lanes）： 系统可自动生成多个备选片段，供用户试听并合成出最完美的音轨。 ◦ 选择性重新生成： 能够无缝更改歌曲中任意指定片段的歌词或风格。 ◦ 双向无损扩展： 在不破坏原始音频的情况下，自然地为歌曲添加前奏或尾奏。 ◦ 备选轨道（Alternate Take Lanes）： 系统可自动生成多个备选片段，供用户试听并合成出最完美的音轨。 除了官方公布的功能外，小编留意到，Mureka 的高级会员（Premium）订阅选项中新增了一项“最高 12 轨智能音频分离”的进阶功能。 需要注意的是，目前强大的 Studio 编辑器以及 12 轨分离功能 仅向高级会员开放，此外，本次的所有更新目前仅在 Mureka 国际版推出，国内版本暂未同步，国内创作者还需耐心等待。 立即体验：https://www.mureka.ai/home Suno 推出重磅实验工具 MILO 1080：AI 驱动的 16 轨步进音序器 3 月 20 日，Suno Labs 正式上线了一款极具可玩性的实验性音乐工具——MILO 1080（模型集成循环编排器）。它巧妙地将传统的 16 轨步进音序器（Step Sequencer）与生成式 AI 结合，为创作者带来了一种“玩乐优先”的全新混合编曲体验。 功能亮点 • 文字秒出音色： 颠覆传统采样库！用户选中轨道后，只需输入文字提示词（Prompt，如“扭曲的 808”或“梦幻 Pad”），AI 即可瞬间生成专属音色并直接应用。 • 多维混合编曲： 完美融合了手动点格、程序化规则与 AI 生成。支持一键让 AI 自动补全整段 Loop，16 条彩色轨道可轻松叠加鼓点、贝斯与环境音效。 • 硬件与采样支持： 不仅允许用户上传个人采样（Samples），还全面支持外接 MIDI 键盘与控制器，为现场实时控制提供了巨大潜力。 体验须知 目前该工具仍处于测试阶段，用户可通过 Suno 网页端左下角的“Labs”烧杯图标进入（建议在桌面端使用）。虽然现阶段暂不支持一键直连导入 Suno 主站（需先下载到本地再上传），但其极低的门槛和丰富的内置流派模板（Ideas）让零基础新手也能在 1 分钟内迅速上手，轻松制作出酷炫的电子或嘻哈律动。 Suno官方发了相关教程，但是比较抽象，小编制作了个中文网页文件进行说明，感兴趣的读者可以在后台私信发送“MILO 1080”获取。 Tunee 近期更新：Tempolor V4.5+ 模型上线与虚拟艺人MV内测 3 月 6 日，Tunee接入自研模型 Tempolor V4.5+，特点如下 🤖 • 编曲细腻度全面升级： 加深了对复杂乐器编制的理解，彻底告别扁平化听感。 • 风格听感精准匹配： 能根据设定流派自动匹配最纯正的音色库与混音空间，做到“懂流派，更懂质感”。 • 人声与伴奏立体融合： 即使在复杂编曲下，人声依然保持极高的穿透力与清晰度，咬字精准且情感充沛，完美融于伴奏之中。 另外，官方近期在内测“MV&虚拟艺人”功能，并预告将于本月底正式发布。届时还将同步上线趣味互动玩法🦞“Tunee skill”，号召“养虾一族”集体开麦。 工具链接：https://www.tunee.ai/home AI 成为作曲搭档？Roland 携手 Sony CSL 推出旋律生成软件 Melody Flip 近日，知名乐器制造商 Roland 宣布与索尼计算机科学实验室（Sony CSL）共同开发了一款由 AI 辅助的旋律生成软件 Melody Flip。Roland 强调，该软件的核心愿景是将 AI 定位为扩展人类创造力的“合作伙伴”，而非音乐制作的“替代品”。 功能亮点 • 智能音频解析： 用户导入音频文件后，软件能够自动解析歌曲的结构、BPM、调性（Key）、和弦进行、流派与情绪等关键音乐要素。 • 创意调色板（Creative Palette）： 基于解析结果，系统会从内置的约 300 种风格/音色库中推荐最匹配的选项，并依此智能生成旋律、和弦、贝斯及鼓点声部。 • 高度可控与导出： AI 生成的内容仅作为灵感提案。创作者可以自由地进行选择、组合、替换和重新构建，并将满意的各声部无缝导出为音频（Audio）或 MIDI 文件，完美融入现有的编曲工作流。 Melody Flip 兼容 Mac 与 Windows 系统，并支持在各大主流 DAW（数字音频工作站）中运行。Roland 计划于 2026 年 5 月通过 Roland Cloud Manager 向其云服务会员提供免费试用版，正式版的定价与具体发行形式暂未公布。 论文 🤖 以下是 3.17—3.23 期间发布的相关论文，已整理翻译 AILive Mixer：一种基于深度学习的零延迟现场音乐表演自动混音器 摘要：在这项工作中，我们提出了一种面向现场表演的基于深度学习的自动多轨音乐混音系统。在现场表演中，声道通常会受到同场乐器串音（acoustic bleeds）的干扰。此外，音画同步至关重要，因此对音频延迟提出了严格的限制。在这项工作中，我们主要解决处理输入声道中的串音以产生零延迟音乐混音的这两个挑战。尽管近期自动音乐混音领域取得了一些进展，但大多数或所有先前的工作都集中在孤立乐器信号的离线制作上，据我们所知，这是第一个专为现场音乐表演开发的端到端深度学习系统。我们提出的系统目前可预测多轨输入的单声道增益，但其设计以及过去工作开创的先例，使其能够轻松适应未来预测其他相关音乐混音参数的工作。 论文：https://arxiv.org/abs/2603.15995 无尽的对话：Carlos Paredes 唱片中人声与吉他互动的计算分析 摘要：计算音乐学能够对录制音乐中的表演和结构特征进行系统分析，然而现有的方法在很大程度上仍然是为基于记谱和乐谱的曲目量身定制的。本研究提出了一种分析 Carlos Paredes 声乐合作中人声 吉他互动的方法——这是一个口传传统的语境，其中作曲和表演层面共同涌现。利用声源分离的主干音轨、基于物理的谐波建模和节拍级音频描述符，我们考察了四位歌手在八部录音作品中的旋律、和声与节奏关系。我们的共性 多样性框架结合了多尺度相关性分析和基于残差的结构偏差检测，揭示了表达性的协调主要取决于具体作品，而非贯穿整个语料库。多样性事件系统地与曲式边界和织体变化对齐，表明该方法能在极少人工标注的情况下识别出具有音乐显著性的重组。该框架进一步为没有记谱蓝图的曲目提供了一种可泛化的计算策略，将音乐表演分析扩展到了口传传统和受即兴影响的实践中。 论文：https://arxiv.org/abs/2603.12854 半自动长笛机器人及其声学传感 摘要：长笛演奏需要掌握复杂的指法组合和依赖于音区的口型控制，特别是低音区发声的气流偏移（jet offset）调节。现有的触觉和半自动化系统无法通过机械驱动同时解决这两个方面的问题。据我们所知，之前的系统没有在不需要口型控制的情况下，完全实现指法自动化并在机械上辅助低音区发声的。我们开发了一种带有自动指法机构的半自动长笛机器人：十四个伺服电机响应 MIDI 输入，通过基于线缆和齿轮齿条的传动装置驱动所有按键，使演奏者仅靠气流就能演奏完整的乐曲。气流偏移辅助机构在低音段期间将笛头（head joint）旋转一个校准过的 22°，将气流偏移向低音区配置移动，而无需修改乐器或口型。基频估计证实了在整个半音阶范围（C4 C7）和音乐演奏过程中能产生正确的音高。所有按键和杠杆动作均在 77.50 毫秒内完成，对应的速度能力超出了标准要求。谐波分析显示，当该机制被激活时，所有低音区音符的 ΔSPL 均有一致的增加，这与预期的气流偏移移动一致。笛头的旋转在 40.00 毫秒内完成。这些结果证明了在受控条件下整合自动指法和依赖于音区的气流偏移辅助的机械可行性。 论文：https://arxiv.org/abs/2603.14180 音乐流派分类：经典机器学习与深度学习方法的比较分析 摘要：自动音乐流派分类是音乐信息检索（MIR）中一个长期存在的挑战；关于非西方音乐传统的工作仍然很少。尼泊尔音乐涵盖了文化丰富且声学多样的流派——从 Lok Dohori 的呼应式二重唱，到 Deuda 的节奏诗歌，再到 Tamang Selo 的独特旋律——这些都尚未被现有的分类系统所涉及。在本文中，我们构建了一个包含约 8,000 个带标签的 30 秒音频片段的新颖数据集，涵盖了八种尼泊尔音乐流派，并在两种范式下对九种分类模型进行了系统比较。五种经典机器学习分类器（逻辑回归、SVM、KNN、随机森林和 XGBoost）在通过 Librosa 提取的 51 个手工特征上进行训练，而四种深度学习架构（CNN、RNN、并行 CNN RNN 以及顺序 CNN 后接 RNN）则在尺寸为 640 x 128 的梅尔频谱图上运行。我们的实验表明，顺序卷积循环神经网络（CRNN）——其中卷积层馈入 LSTM——达到了 84% 的最高准确率，大幅超越了表现最好的经典模型（逻辑回归和 XGBoost，均为 71%）以及所有其他深度架构。我们提供了每个模型的每类精确度、召回率、F1 分数、混淆矩阵和 ROC 分析，并对误分类模式提供了基于文化的解释，这反映了尼泊尔音乐传统中真正的重叠。 论文：https://arxiv.org/abs/2603.15440 用于音视频联合生成的扩散模型 摘要：多模态生成模型在单模态视频和音频合成方面取得了显著进展，但真正的音视频联合生成仍然是一个悬而未决的挑战。在本文中，我探讨了推动该领域发展的四个关键贡献。首先，我发布了两个高质量的配对音视频数据集。这些数据集包含 13 小时的视频游戏片段和 64 小时的音乐会表演，每个片段都被分割成一致的 34 秒样本，以促进可重复的研究。其次，我在我们的数据集上从头开始训练了 MM Diffusion 架构，展示了其产生语义连贯的音视频对的能力，并定量评估了其在快速动作和音乐提示上的对齐情况。第三，我通过利用预训练的视频和音频编码器 解码器来研究联合潜在扩散，揭示了多模态解码阶段的挑战和不一致性。最后，我提出了一种顺序的两步文本到音视频生成管线：首先生成视频，然后以视频输出和原始提示为条件合成时间同步的音频。我的实验表明，这种模块化方法能产生高保真度的音视频生成结果。 论文：https://arxiv.org/abs/2603.16093 电吉他的语义音色数据集 摘要：理解和操作音色是音频合成的核心，但由于缺乏将感知音色维度与语义描述符联系起来的标注数据集，这在机器学习中仍然是一个探索不足的领域。我们提出了语义音色数据集（Semantic Timbre Dataset），这是一个精心策划的单声道电吉他声音集合，每个声音都标注了 19 个语义音色描述符之一以及相应的幅度。这些描述符源于对物理和虚拟吉他效果器的定性分析，并系统地应用于干净的吉他音色。该数据集架起了感知音色与机器学习表示之间的桥梁，支持音色控制和语义音频生成的学习。我们通过在其潜在空间上训练变分自编码器（VAE），并使用人类感知判断和描述符分类器对其进行评估，从而验证了该数据集。结果表明，VAE 捕捉到了音色结构，并实现了跨描述符的平滑插值。我们发布了数据集、代码和评估协议，以支持感知音色的生成式 AI 研究。 论文：https://arxiv.org/abs/2603.16682 评估音色 VAE 中的潜在空间结构：无监督、描述符条件和感知特征条件模型的比较研究 摘要：我们对用于音乐音色生成的三种变分自编码器（VAE）中的潜在空间组织进行了比较评估：无监督 VAE、描述符条件 VAE 以及以 AudioCommons 音色模型中连续感知特征为条件的 VAE。使用精心策划的、标有 19 个语义描述符（分为四个强度级别）的电吉他声音数据集，我们通过一套聚类和可解释性指标来评估每个模型的潜在结构。这些指标包括轮廓系数（silhouette scores）、音色描述符紧凑度、基于音高的分离度、轨迹线性度以及跨音高一致性。我们的发现表明，以感知特征为条件会产生更紧凑、更具判别力且与音高无关的潜在空间，其表现优于无监督模型和离散描述符条件模型。这项工作突出了独热（one hot）语义条件的局限性，并为评估音色潜在空间提供了方法论工具，有助于开发更具可控性和可解释性的生成式音频模型。 论文：https://arxiv.org/abs/2603.16713 通过联合训练使分离优先的多流音频水印变得可行 摘要：现代音频是通过混合来自不同声源的主干音轨（stems）创建的，这提出了一个问题：我们能否独立地为每个主干音轨添加水印，并在分离后恢复所有水印？我们研究了一种分离优先的多流水印框架——使用唯一的密钥但共享的结构将不同的信息嵌入到主干音轨中，进行混合、分离，并从每个输出中解码。一种简单的方法（鲁棒水印+现成的分离器）导致比特恢复率很低，这表明对常规失真的鲁棒性并不能确保对分离伪影的鲁棒性。为了实现这一点，我们以端到端的方式联合训练水印系统和分离器，鼓励分离器保留水印线索，同时使嵌入适应特定于分离的失真。在语音+音乐以及人声+伴奏混合物上的实验表明，在保持感知质量的同时，分离后的恢复率得到了大幅提升。 论文：https://arxiv.org/abs/2603.16805 Amanous：在自动钢琴 (Disklavier) 上实现超人类钢琴密度的分布切换 摘要：自动钢琴能够实现远超人类生理极限的音符密度、复调和音区变化，然而，用于创作此类织体的三大主导传统——南卡罗（Nancarrow）的速度卡农、泽纳基斯（Xenakis）的随机分布以及 L 系统文法——却是在相互孤立中发展起来的。本文介绍了 Amanous，这是一个为雅马哈 Disklavier 设计的具备硬件感知能力的作曲系统，它通过分布切换统一了这些方法：L 系统符号选择截然不同的分布机制，而不仅仅是在固定族类中调制参数。本文报告了四项贡献。(1) 一个四层架构（符号层、参数层、数值层、物理层）生成了具有大效应量（d = 3.70 5.34）的统计学上截然不同的段落，并通过逐层退化和消融实验进行了验证。(2) 硬件抽象层形式化了与力度相关的延迟和琴键复位约束，将超人类的织体保持在 Disklavier 可驱动的包络范围内。(3) 密度扫描揭示了在 24 30 个音符/秒（bootstrap 95% CI: 23.3 50.0）时的计算饱和转变，超过此范围后，单一域的旋律指标失去判别力，跨域耦合变得必要。(4) 收敛点微积分将速度卡农几何学操作化为一种控制接口，使收敛事件能够触发分布切换，将宏观时间结构与微观层面织体联系起来。所有结果均是计算性的；为未来的工作提出了一种心理声学验证协议。该管线已部署在物理 Disklavier 上，展示了算法的自洽性和亚毫秒级的软件精度。 论文：https://arxiv.org/abs/2603.16890 基于集成式分离与目标重建的音乐源恢复 摘要：首届音乐源恢复 (MSR) 挑战赛的目标是从完全混音和母带处理的音乐中恢复未经处理的原始主干音轨。与传统的音乐源分离不同，MSR 需要逆转复杂的制作过程，如均衡、压缩、混响和其他现实世界的劣化。为了解决 MSR 问题，我们提出了一种两阶段系统。首先，一个由预训练分离模型组成的集成系统生成初步的声源估计。然后，一组基于 BSRNN 的预训练恢复模型执行目标重建，以完善这些估计。在官方的 MSR 基