7月28日 AI音乐 arXiv 深读：MSST 的分离工程与和声风格共演模型

2026 年 7 月 28 日，arXiv 的 cs.SD new 页面显示 27 条条目，eess.AS 页面显示 19 条；两个页面都把新提交、交叉提交和 replacement submissions 分开列出。这里按列表日期覆盖，只纳入直接处理音乐数据或音乐工作流的条目，不把语音、说话人和通用音频条目算作 AI 音乐论文。1 2

两个入选条目的 v1 提交日期也不同：MSST 的摘要页记录为 7 月 25 日，风格共演论文为 7 月 27 日。它们出现在 7 月 28 日的列表中，但列表日不等于 v1 提交日。3 4

没有选入同页的 Infinite Canons，是因为它的中心是无限卡农的数学构造，摘要没有把 AI 模型或经验评测放在核心位置；语音合成、说话人转换和音频深伪条目也没有直接处理音乐对象。1

音乐源分离要从一个混合音频中恢复人声、鼓、贝斯和其他乐器。MSST 的切入点不是再提出一个网络，而是把模型选择、数据准备、增强、损失、指标、训练配置、验证和后处理放进同一套训练与推理框架。论文列出的模型族包括 Band-Split RoFormer、Mel-Band RoFormer、HTDemucs 和 SCNet，配置用 YAML 管理。5

这个区别对复现实验很实际。换模型时，研究者不必同时重写数据管道和验证脚本；处理长音频时，框架用重叠滑窗、边缘 cross-fading 和 reflect padding 处理片段边界；推理阶段还提供 test-time augmentation（TTA）、模型集成、LoRA 微调，以及 ONNX/TensorRT 导出。它把「一个模型在一个设置里得分更高」拆成了几类可以单独开关的工程变量。5

MSST 的 TTA 对输入做左右声道交换和 polarity inversion，分别分离后再还原方向并求平均。作者在不同模型和 stem 上报告的变化如下；这里的 SDR 是分离质量指标，ΔSDR 是启用 TTA 后的绝对增益。5

这组数字不支持「TTA 明显改善音乐分离」这种说法。它支持的是更窄的判断：在这些示例中，TTA 的 SDR 增益介于 0.00 到 0.06 dB，收益小而且要用更多次推理换取。对想做系统比较的人，TTA 更像一个低风险的鲁棒性开关，而不是替代模型结构的办法。

集成的增益更容易看到。论文总结多个模型合并通常带来 +0.01 到 +0.2 dB 的 SDR 提升，但处理时间会按参与模型数增加；表中的例子包括 vocals 从单模型 11.24 提升到 ensemble 11.61，bass 从 13.81 提升到 14.87。5 这说明框架的实用价值落在「把组合实验做得足够便宜、足够可重复」，而不是宣称每个模型都因此变强。

MSST 的主要证据是 SDR、Bleedless、Fullness、L1_freq 等离线指标和工程消融。它没有凭这些结果证明集成后的输出在所有音乐类型上都更符合人的偏好，也没有把某一种架构的局部增益外推成通用 SOTA。TTA 和 ensemble 都有额外推理成本，长音频还需要处理分块边界；这几项代价正是部署时不能从表格里删掉的部分。5

做音乐源分离、混音工具或复现实验的人，最该看的是论文第 6—8 节和对应表格：先固定数据与指标，再比较 TTA、ensemble、LoRA 等选项。若只想找一个新的分离网络，MSST 的贡献并不在这里；若要快速回答「这次提升究竟来自模型、推理还是组合」，它提供了更直接的实验入口。

第二篇论文面对的是另一个常见简化：把音乐作品压成静态分类或相似度，容易看见「像不像」，却看不见风格状态如何随时间变化。作者从 Cross-Era 数据集中取 1875—1940 年的 480 部作品，分为俄罗斯、法国、德国、奥地利和 Others 五组，随后把作品表示、时间轨迹和动力学模型接起来。4 6

管线有四层：先用在外部和弦语料上训练的 DeBERTa-based ChordBERT，把每部作品变成 256 维和声表示；再用 PCA 保留 23 个主成分，累计解释方差约 90.37%；接着按年份和文化组聚合，并用因果 Kalman filtering 从稀疏观测重建时间轨迹；最后用 DeGroot（DG）和 Friedkin–Johnsen（FJ）模型估计群组之间的依赖与自身锚定。PCA、归一化和 Kalman filtering 不是装饰，它们决定了「风格变化」在后续动力学里以什么坐标出现。6

表示模型的比较已经给出一个值得保留的反差。继续在 When-in-Rome 上做领域自适应预训练，会把和弦级 MLM loss 从 2.0286 降到 1.7906；但作品级检索反而略降。因此，下游历史分析采用在 Chordonomicon 上训练的 DeBERTa ChordBERT，它在作品级检索上的 Recall@1、Recall@10、MRR 和 mAP@10 分别为 0.3056、0.8294、0.4674 和 0.2843。局部和弦预测更好，不等于作品级表示更适合历史分析，这正是表示层评测不能只看一个 loss 的地方。6

动力学模型在 1875—1925 年拟合，再对 1930、1935、1940 做递归预测。普通等权评估下，FJ 加 PCA-weight 的 MAE 为 0.0385，平均 RMSE 为 0.0492；DG 加 PCA-weight 在 1930 年的 RMSE 最低，为 0.0295；到 1940 年，等权 FJ 的 RMSE 最低，为 0.0519。换成按 PCA 方差加权的评估，FJ 加 PCA-weight 的 MAE 为 0.0442，平均 RMSE 为 0.0570，1940 年 RMSE 为 0.0519。改进是小幅的，而且不同时间点的最好模型并不相同。6

矩阵里的模式可以帮助读者理解作者到底在说什么。DG 的对角权重，也就是上一期自身状态对下一期的贡献，俄罗斯、法国、德国、奥地利和 Others 约为 0.612、0.629、0.633、0.559 和 0.649。法国行中，俄罗斯的外部权重约为 0.194，法国自身权重约为 0.629。它们与德奥之间的较近关系、俄法之间的选择性依赖，与作者引用的音乐史叙述相容。这里的动词必须是「相容」或「解释得通」，不能换成「证明影响」：模型拟合的是和声轨迹的依赖结构，不是出版、迁移、教学和演出网络本身。6

第一，Others 把多个国家和传统压成一个组。它的高自持性可能来自聚合后的内部异质性，不能被读成一个统一的音乐传统。第二，附录的 MIDI stress test 使用 BiLSTM 时代分类概率，而不是主分析的 ChordBERT/PCA 和声表示；778 条 MIDI 记录中有 761 条把 Modern 预测为最高概率类别，模型也没有超过 persistence baseline。作者因此把它当作诊断，不把矩阵当作历史证据。6

研究设计还有一个会直接影响读法的限制：PCA 和 component-wise normalization 使用了 1875—1940 全窗口，作者承认这不是严格无泄漏的未来预测设置。加上模型使用固定的线性转移矩阵、只看和弦序列，不含节奏、音色、配器、曲式和演出实践，结果更适合做回顾性的历史建模，而不是实时预测或完整风格判断。6

做计算音乐学、符号音乐表示或可解释时间序列的人，可以把这篇论文当成一个清楚的组合实验来读：表示层先经过作品级检索选择，轨迹层再接受递归预测，最后才解释依赖矩阵。最不能跳过的是附录的 stress test，因为它展示了一个看似很小的 RMSE 如何被接近常数的分类概率空间制造出来。

MSST 和风格共演论文处理的对象不同，前者面对混合音频的可编辑恢复，后者面对历史和弦序列的长期变化；但它们都没有把原始音乐直接交给一个黑箱分数。MSST 把训练、验证、推理和后处理选项拆成可以开关的管线，所以最有说服力的证据是 TTA 与 ensemble 的局部增益及其成本。风格共演论文把和弦序列先压成作品嵌入、再压成群组轨迹，所以最有说服力的证据是表示选择、递归误差和矩阵结构的对应关系。

这也解释了两篇论文的结论为什么不能互相替代。MSST 能回答「某种工程设置在给定分离任务和指标上带来多少变化」，回答不了「听众是否在所有曲风里更喜欢它」。风格共演能回答「在这套表示和线性假设下，哪些群组状态持续、哪些依赖模式与音乐史叙述相容」，回答不了「谁通过什么历史机制影响了谁」。读者若要继续复核，先看 MSST 的 TTA 与 ensemble 表，再看风格共演论文的主表 3 和 Appendix C；两边都应把数字连同生成数字的中间层一起读。5 6