MuScriptor-বৃহৎ: 1.366 বিলিয়ন প্যারামিটারের প্রকৃত পরিমাপ এবং সীমানা মাল্টি-ট্র্যাক MIDI-এর সম্পূর্ণ মিশ্রণ
স্বয়ংক্রিয় সঙ্গীত প্রতিলিপি
স্বয়ংক্রিয় সংগীত ট্রান্সক্রিপশন
MuScriptor-large হলো প্রকাশিত MuScriptor চেকপয়েন্টগুলোর মধ্যে সবচেয়ে বড়, এবং মডেল কার্ডে একে ফ্ল্যাগশিপ, সর্বোচ্চ-মানের বিকল্প হিসেবে চিহ্নিত করা হয়েছে। এটি 16 kHz মনো অডিওকে পাঁচ সেকেন্ডের খণ্ডে ভাগ করে, সেগুলোকে 512-bin mel বৈশিষ্ট্য হিসেবে উপস্থাপন করে, এবং 48-স্তরের ডিকোডার-অনলি Transformer দিয়ে pitch, onset, offset, ইনস্ট্রুমেন্ট ও ড্রাম ইভেন্ট তৈরি করে। সর্বজনীন চেকপয়েন্টে ঠিক 1,366,399,488টি F32 প্যারামিটার আছে, আর safetensors ফাইলের আকার 5,465,642,136 বাইট।
পরিবারের মধ্যে সবচেয়ে বড় হওয়া আর সার্বিক state of the art হওয়া এক দাবি নয়। গবেষণাপত্রে নিজস্ব D_Test-এ YourMT3+-এর তুলনায় বড় অগ্রগতির কথা বলা হয়েছে, পাশাপাশি আটটি বহিরাগত ডেটাসেটের ফলাফলও প্রকাশ করা হয়েছে, যেখানে MuScriptor প্রতিটি মেট্রিকে জেতেনি। D_Real, D_RL ও D_Test সর্বজনীন নয়, আর MIROS-এর সঙ্গে একই অডিও, মেট্রিক ও পোস্ট-প্রসেসিং প্রোটোকলে তুলনা করা হয়নি। তাই যুক্তিসিদ্ধ সিদ্ধান্ত আরও সীমিত: সাধারণ বহু-বাদ্য AMT-র জন্য MuScriptor-large অন্যতম শক্তিশালী নতুন ওপেন-ওয়েট প্রার্থী, যার পক্ষে লেখক-প্রতিবেদিত শীর্ষস্থানীয় ফলাফল রয়েছে।
1. ফ্ল্যাগশিপ স্তর মানে একটি নির্দিষ্ট চেকপয়েন্ট, বিপণন থেকে অনুমিত কোনো নাম নয়
MuScriptor small, medium ও large চেকপয়েন্ট প্রকাশ করেছে। তাদের রিপোজিটরি মেটাডেটায় যথাক্রমে 102,968,832, 307,030,528 ও 1,366,399,488 — এই নির্ভুল প্যারামিটার সংখ্যা দেওয়া আছে। large, medium-এর প্রায় 4.45 গুণ বড় এবং সরাসরি ফ্ল্যাগশিপ, সর্বোচ্চ-মানের রিলিজ বলে বর্ণিত। গবেষণাপত্রের স্কেল অ্যাবলেশনে 60M, 100M, 300M ও 1.3B লেবেল ব্যবহার করা হয়েছে; এই পরীক্ষণের লেবেলগুলোকে তিনটি সর্বজনীন চেকপয়েন্টের নির্ভুল প্যারামিটার সংখ্যার বদলে বসানো যাবে না।
8809fdfbed2affa7ade94a7059e746e3880720e7 রিভিশনে ওয়েট রিপোজিটরিতে 5,465,642,136-বাইটের model.safetensors আছে, সঙ্গে কয়েকটি ছোট কনফিগারেশন ফাইল। সোর্স আলাদাভাবে 302343e8992bdfc619f77f1988168374ed5d675d কমিটে পিন করা। এই শনাক্তকারীগুলো একসঙ্গে আর্কিটেকচার, টোকেনাইজার, ইনফারেন্স ডিফল্ট ও ওয়েটকে বেঁধে দেয়। শুধু "large" লেখা লেবেল যথেষ্ট নয়, যদি কোনো ইমপ্লিমেন্টেশন নীরবে medium লোড করতে পারে বা চলমান main ব্র্যাচ অনুসরণ করে।
F32 স্টোরেজ মানে এই নয় যে প্রতিটি অপারেশন F32-এ চলতেই হবে; এটি এটাও প্রমাণ করে না যে কোনো অনানুষ্ঠানিক লো-বিট ডেরিভেটিভ মানে সমান। রিলিজে বিকল্প কোয়ান্টাইজড চেকপয়েন্টের একই-প্রোটোকল মান অধ্যয়ন দেওয়া নেই। তাই মান-অগ্রাধিকার পথে নির্ভুল large পরিচয় বাধ্যতামূলক হতে পারে এবং লোড না হলে স্পষ্টভাবে ব্যর্থ হতে হবে, ছোট স্তরে সরে যাওয়া নয়।
2. শব্দগত জানালা থেকে শর্তযুক্ত ইভেন্ট ক্রম
ইনপুটকে 16 kHz মনোতে রূপান্তর করা হয়। শর্ট-টাইম ফুরিয়ার ট্রান্সফরম 2,048-পয়েন্ট জানালা ও 160-স্যাম্পল হপ ব্যবহার করে, যা প্রতি সেকেন্ডে 100 ফ্রেম দেয়, এরপর সেগুলো 512 mel bin-এ প্রক্ষেপিত হয়। ফলে পাঁচ সেকেন্ডের খণ্ডে প্রায় 500টি শব্দগত ফ্রেম থাকে। এই বৈশিষ্ট্যগুলো প্রবেশ করে প্রশস্থতা 1,536, 24টি অ্যাটেনশন হেড ও 48 স্তরবিশিষ্ট ডিকোডার-অনলি Transformer-এ। মডেল আগে মিক্সকে নির্দিষ্ট কিছু stem-এ ভাগ করে প্রতিটির জন্য আলাদা ট্রান্সক্রাইবার চালায় না; সময়, ইনস্ট্রুমেন্ট ও নোট ইভেন্ট একটি যৌথ ক্রমে তৈরি হয়।
p(y|x,c)=∏n=1N p(yn|y<n, Enc(x), c)xপাঁচ সেকেন্ডের অডিও খণ্ডের mel উপস্থাপনাcঐচ্ছিক ইনস্ট্রুমেন্ট শর্ত; খালি সেট মানে স্বয়ংক্রিয় শনাক্তকরণynসময়, ইনস্ট্রুমেন্ট, pitch বা সমাপ্তি ইভেন্ট টোকেন
অটোরিগ্রেসিভ ফ্যাক্টরাইজেশনের ফলে আগে তৈরি ইনস্ট্রুমেন্ট ও কর্ড পরের সিদ্ধান্তকে জানায়, যা পূর্ণ মিক্সে ক্রস-ইনস্ট্রুমেন্ট প্রসঙ্গের জন্য কাজে লাগে। এটি ভুলও ছড়িয়ে দেয়। ভুল টাইম-শিফট পরের নোটগুলোকে সরিয়ে দিতে পারে, নিখোঁজ note-off একটি ঝুলন্ত নোট রেখে যেতে পারে, আর ইনস্ট্রুমেন্ট-টোকেন বিচ্যুতি সঠিক pitch-কে ভুল ট্র্যাকে ফেলতে পারে।
বর্তমান অফিসিয়াল উদাহরণে ব্যাচ সাইজ 1, বিম সাইজ 1, cfg_coef=1 ও prelude forcing ব্যবহৃত হয়। বিম সাইজ 1 একটি নির্ণায়ক argmax পথ। চওড়া বিম বেশি প্রিফিক্স ধরে রাখে ও বেশি মেমরি খরচ করে; নিয়ন্ত্রিত অ্যাবলেশন ছাড়া beam 4-কে সরাসরি "সর্বোচ্চ মান" বলে চিহ্নিত করা যায় না।
ক্লাসিফায়ার-ফ্রি গাইডেন্স শর্তযুক্ত ও শর্তহীন লজিট মিলিয়ে শর্তকে তীক্ষ্ণ করে: ℓ=ℓu+s(ℓc−ℓu)। গবেষণাপত্রের চূড়ান্ত টেবিলে CFG=1-এ Multi F1 48.2 এবং CFG=2-এ 47.8 দেওয়া আছে। তাই সর্বজনীন ডিফল্ট 1-ই থাকে, বড় গাইডেন্স সংখ্যাই ভালো — এই ধারণার ওপর নির্ভর করে নয়।
3. 14.5 লক্ষ MIDI ফাইল, 11,000 ঘণ্টা বাস্তব অডিও, আর 300টি পর্যালোচিত ট্রান্সক্রিপশন
গবেষণাপত্রে প্রশিক্ষণ উপকরণকে তিন স্তরে ভাগ করা হয়েছে। D_Synth-এ Lakh MIDI ও একটি বাণিজ্যিক ডেটা প্রদানকারীর প্রায় 14.5 লক্ষ MIDI ফাইল আছে, যেগুলো 250-এর বেশি SoundFont দিয়ে রেন্ডার করা। ট্রান্সপজিশন, টেম্পো, ভেলোসিটি, ইনস্ট্রুমেন্ট এলোমেলোকরণ ও ডিটিউনিং একই প্রতীকী উপকরণকে আরও বড় টিম্বার পরিসরের সঙ্গে পরিচয় করিয়ে দেয়। সিন্থেটিক রেন্ডারিং নির্ভুল ইভেন্ট সীমানা দেয়, কিন্তু মাইক্রোফোন ব্লিড, মাস্টারিং, বাদকের শব্দ বা বাস্তব প্রোডাকশনের দীর্ঘ লেজ পুরোপুরি তুলে ধরতে পারে না।
D_Real-এ প্রায় 170,000টি অভ্যন্তরীণ রেকর্ডিং আছে, মোট প্রায় 11,000 ঘণ্টা। এদের নোট লেবেল আসে স্যাম্পল-স্তরের ম্যানুয়াল টীকায়ন থেকে নয়, অডিও-প্রতীকী অ্যালাইনমেন্ট থেকে। বাস্তব মিক্স প্রোডাকশন বণ্টনকে প্রশস্ত করে, তবে সঙ্গে যোগ হয় শিরোনাম মিলানো, সংস্করণ পার্থক্য, প্লাগ-ইন ল্যাটেন্সি ও অ্যালাইনমেন্ট ভুল। এরপর D_RL থেকে GRPO/REINFORCE-ধরনের পোস্ট-ট্রেনিংয়ের জন্য মানুষের পর্যালোচনায় উত্তীর্ণ 300টি উচ্চমানের ট্রান্সক্রিপশন বাছাই করা হয়। তিনটি ধাপ যথাক্রমে কভারেজ, ডোমেইন শিফট ও ক্রম পছন্দের সমস্যা মোকাবিলা করে, কিন্তু বাস্তব ও পুরস্কার ডেটাসেট সর্বজনীন নয়।
সুপারভাইজড লার্নিং টোকেন-স্তরের নেগেটিভ লগ লাইকলিহুড কমায়, আর পোস্ট-ট্রেনিংয়ে onset, offset, frame, drums ও মাল্টি-ইনস্ট্রুমেন্ট পরিমাপ থেকে গঠিত পুরস্কার ব্যবহার হয়। ক্রম-স্তরের অপ্টিমাইজেশন সেই কাঠামোগত ব্যর্থতাগুলোকে শাস্তি দিতে পারে যা স্বাধীন টোকেন শ্রেণিবিন্যাস ধরতে পারে না। পর্যালোচিত পুরস্কার সেটে মাত্র 300টি ট্র্যাক থাকায় বিরল বাদ্য, চরম টেম্পো ও অ-পাশ্চাত্য ঐতিহ্যের কভারেজ এখনো সর্বজনীন বহিরাগত মূল্যায়নের অপেক্ষায়।
LSFT=−Σn log p(yn|y<n,x,c), J(θ)=E[R(y)]LSFTসুপারভাইজড প্রশিক্ষণে ক্রম ক্রস-এন্ট্রপিR(y)সম্পন্ন ট্রান্সক্রিপশনের সম্মিলিত পুরস্কারD_RL300টি পর্যালোচিত ট্রান্সক্রিপশন, কোনো সর্বজনীন বেঞ্চমার্ক নয়
4. 35টি ইন্টারফেস নাম আর 36টি শেখা গোষ্ঠীর মাঝে কঠোর শ্বেততালিকা
MuScriptor 128টি General MIDI প্রোগ্রামকে MT3_FULL_PLUS ইনস্ট্রুমেন্ট গোষ্ঠীতে ম্যাপ করে। মডেল 36টি গোষ্ঠী শেখে, আর সর্বজনীন ডেমো 35টি নির্বাচনযোগ্য নাম দেখায়: এদের মধ্যে আছে অ্যাকুস্টিক ও ইলেকট্রিক পিয়ানো, তিনটি গিটার গোষ্ঠী, অ্যাকুস্টিক ও ইলেকট্রিক বেজ, স্ট্রিংস, ব্রাস, উডউইন্ড, সিন্থেসাইজার, কণ্ঠস্বর ও ড্রামস। এই পার্থক্য অভ্যন্তরীণ উপস্থাপনা বনাম নির্বাচনযোগ্য ইন্টারফেসের সীমানা প্রতিফলিত করে; 35টি ইন্টারফেস পছন্দকে শেখা শ্রেণির পূর্ণ সংখ্যা হিসেবে রিপোর্ট করা যাবে না।
ইনস্ট্রুমেন্ট ক্ষেত্র খালি থাকলে মডেল যেকোনো সমর্থিত গোষ্ঠী শনাক্ত করতে পারে। এক বা একাধিক নাম নির্বাচন করার সঙ্গে সঙ্গে ডিকোডার বাকি সব ইনস্ট্রুমেন্ট টোকেন কঠোরভাবে মাস্ক করে। এটি কঠোর শ্বেততালিকা, নরম পছন্দ নয়। পরিচিত ব্যান্ডে ইনস্ট্রুমেন্ট লিকেজ কমাতে পারে, তবে ব্যবহারকারী বাদ দেওয়া বাস্তব পার্টও মুছে ফেলতে পারে। পরিচিত ত্রিদলের জন্য পিয়ানো, বেজ ও ড্রামস ভালো সীমাবদ্ধতা হতে পারে; বিন্যাস অনিশ্চিত হলে স্বয়ংক্রিয় শনাক্তকরণই নিরাপদ।
সীমাবদ্ধতাটি ইন্টারফেস থেকে টোকেনাইজারের টোকেন মাস্ক পর্যন্ত পৌঁছাতে হবে। API দ্বারা বাতিল হয়ে যাওয়া নির্বাচিত চিপ একটি মিথ্যা নিয়ন্ত্রণ তৈরি করে, আর সীমাহীন স্ট্রিং বানান ভুলকে এক্সিকিউশন পর্যন্ত পেছিয়ে দেয়। বিশ্বস্ত চুক্তি শুধু অফিসিয়াল 35টি শনাক্তকারী গ্রহণ করে, সদৃশ প্রত্যাখ্যান করে, এবং খালি অ্যারেকে স্বয়ংক্রিয় শনাক্তকরণ হিসেবে সংজ্ঞায়িত করে।
5. নিজস্ব D_Test-এ বড় অগ্রগতিটি কীভাবে পড়বেন
গবেষণাপত্রের টেবিল 1 একই নিজস্ব D_Test-এ YourMT3+ YPTF.MoE+Multi (noPS)-এর সঙ্গে MuScriptor-এর প্রশিক্ষণ ধাপগুলোর তুলনা করে। CFG=1-এ চূড়ান্ত large মডেল Onset 60.4, Frame 73.3, Offset 49.0, Drums 50.2 ও Multi 48.2 রিপোর্ট করে। YourMT3+ যথাক্রমে 32.52, 45.54, 17.79, 41.4 ও 21.9। ব্যবধান উল্লেখযোগ্য এবং এই দাবির সমর্থন করে যে লেখকদের বড় ডেটা, মডেল ও পোস্ট-ট্রেনিং পদ্ধতি তাদের বাস্তব-মিক্স বণ্টন ও টীকায়ন প্রোটোকলে কর্মক্ষমতা যথেষ্ট উন্নত করেছে।
| একই নিজস্ব D_Test | Onset F1 | Frame F1 | Offset F1 | Drums F1 | Multi F1 |
|---|---|---|---|---|---|
| YourMT3+ | 32.52 | 45.54 | 17.79 | 41.4 | 21.9 |
| MuScriptor-large, CFG=1 | 60.4 | 73.3 | 49.0 | 50.2 | 48.2 |
Multi F1-এ ইনস্ট্রুমেন্ট, pitch, onset ও offset — চারটিকেই একসঙ্গে মিলের নিয়ম মেনে চলতে হয়, তাই কম ক্ষেত্র পরীক্ষাকারী স্কোরের সঙ্গে এটি বিনিময়যোগ্য নয়। MIROS 2025 AMT চ্যালেঞ্জে 76টি প্রায় বিশ সেকেন্ডের সিন্থেটিক উদ্ধৃতির ভিন্ন সেটে ও program + pitch + onset Multi Onset F1 প্রোটোকলে 0.5998 স্কোর করে। MuScriptor সেই একই-প্রোটোকল পরীক্ষায় অংশ নেয়নি। 48.2-কে 0.5998-এর পাশে রাখলে ভিন্ন হর ও ভিন্ন ইভেন্ট সংজ্ঞার তুলনা হবে।
D_Test-এ অভ্যন্তরীণ উপকরণ থেকে নেওয়া 372টি বহু-বাদ্য রচনা আছে, যেখানে প্রশিক্ষণ-পরীক্ষা ফুটো কমাতে শিরোনাম ছাঁকাই করা হয়েছে। শিরোনাম ছাঁকাই উপকারী, কিন্তু সর্বজনীন, পুনরুৎপাদনযোগ্য ডিডুপ্লিকেশন অডিটের সমতুল্য নয়। অডিও, টীকায়ন, সংস্করণ পছন্দ ও ওভারল্যাপ-পরিষ্কার নিয়ম অপ্রকাশিত। তাই শীর্ষ সংখ্যাটিকে লেখক-প্রতিবেদিত নিজস্ব-সেট ফলাফল হিসেবে চিহ্নিত করতেই হবে।
6. ক্রস-ডোমেইন টেবিল ও ওভারল্যাপিং-নোট অ্যাবলেশন ব্যর্থতার অঞ্চল উন্মোচন করে
আটটি বহিরাগত ডেটাসেটে চিত্র তুলনামূলক অসম। YourMT3+-এর বিপরীতে MuScriptor 8টির মধ্যে 7টিতে Frame F1 এবং 8টির মধ্যে 6টিতে Multi F1 জেতে, কিন্তু Onset F1 জেতে মাত্র 8টির 4টিতে। RWC-C-তে onset, frame, offset ও multi-তে পিছিয়ে; RWC-R-তে offset, drums ও multi-তে; আর Bach10-এ onset ও offset-তে। শক্তিশালী সাসটেইনড-pitch সক্রিয়তা ও সামগ্রিক ট্র্যাক বিষয়বস্তু প্রতিটি ট্রানজিয়েন্ট, বাদ্য পরিবার বা রেকর্ডিং বণ্টনে আধিপত্যের নিশ্চয়তা দেয় না।
টোকেনাইজারের একটি সুনির্দিষ্ট উপস্থাপনাগত সীমা আছে: একই ইনস্ট্রুমেন্ট ও pitch-এর একইসঙ্গে বাজা ওভারল্যাপিং নোট দুটোই পরিষ্কারভাবে উপস্থাপিত হতে পারে না। গবেষণাপত্রে প্রধান D_Test মূল্যায়নের জন্য ছোট ওভারল্যাপটি সরিয়ে দেওয়া হয়েছে। সেটি না সরালে Onset F1 60.4 থেকে 51.8-এ, Offset 49.0 থেকে 41.9-এ, আর Multi 48.2 থেকে 42.0-এ নেমে যায়। পেডালের নিচে একই pitch-এর পুনরাবৃত পিয়ানো নোট, স্ট্রিং ইউনিসন ও স্তরিত গিটার — সবই এই সংঘর্ষের মুখোমুখি হতে পারে।
মডেল-স্কেল অ্যাবলেশন চূড়ান্ত তুলনার চার্ট থেকে আলাদা রাখা দরকার। গবেষণাপত্রের টেবিল 4-এ শুধু D_Real-এ ইনস্ট্রুমেন্ট শর্তসহ প্রশিক্ষণ দেওয়া হয়। 60M, 100M, 300M ও 1.3B লেবেল ধরে Multi F1 35.2 থেকে বেড়ে 38.2, 39.7 ও 40.5 হয়। এটি ওই সেটআপে স্কেলের ক্রমাগত সুবিধা দেখায়, কিন্তু এতে চূড়ান্ত সিন্থেটিক প্রি-ট্রেনিং ও রিইনফোর্সমেন্ট ধাপ নেই এবং সর্বজনীন small, medium ও large ফাইলের সরাসরি বেঞ্চমার্কও নয়।
| গবেষণাপত্রের স্কেল লেবেল | Onset | Frame | Offset | Drums | Multi |
|---|---|---|---|---|---|
| 60M | 47.7 | 65.7 | 35.3 | 39.8 | 35.2 |
| 100M | 51.2 | 67.2 | 38.7 | 41.5 | 38.2 |
| 300M | 52.4 | 68.0 | 40.3 | 42.0 | 39.7 |
| 1.3B | 53.2 | 68.7 | 41.0 | 42.5 | 40.5 |
শ্রবণ পর্যালোচনা ঘন ইউনিসন, ভাগ করা ড্রাম-ও-বেজ ট্রানজিয়েন্ট, বিকৃত গিটার, কোয়ায়ার, বিরল টিম্বার ও ভারি রিভার্বের দিকে মনোযোগ দেবে। সমষ্টিগত স্কোর ভালো থাকলেও ট্র্যাকে ছোট ছোট খণ্ড, ক্রস-ট্র্যাক লিকেজ, কাটা সাসটেইন বা এক ইনস্ট্রুমেন্টের একাধিক চ্যানেল দেখা দিতে পারে। গড় সংখ্যা জনসংখ্যার আচরণ বর্ণনা করে; পিয়ানো-রোল পরিদর্শন ও পুনঃসংশ্লেষিত প্লেব্যাকের বিকল্প নয়।
7. Type-1 মাল্টি-ট্র্যাক MIDI কী ধরে রাখে — আর রাইটার কী নির্ধারণ করে
বর্তমান রাইটার Type-1 MIDI তৈরি করে: মেটাডেটা নিজস্ব ট্র্যাকে থাকে, আর প্রতিটি ইনস্ট্রুমেন্ট ট্র্যাকে থাকে নাম, প্রোগ্রাম, চ্যানেল, note-on ও note-off ইভেন্ট। ড্রামস General MIDI চ্যানেল-10 রীতি মেনে চলে। সবকিছু Type-0-এ চেপে ঢোকানোর তুলনায় এই কাঠামো DAW-এ মিউট, সোলো ও সম্পাদনা সহজ করে এবং ইনস্ট্রুমেন্ট বিচ্যুতি আরও দৃশ্যমান করে।
আউটপুট বাজানোর ডাইনামিক্স উদ্ধার করে না। সর্বজনীন কোড নোট velocity 100 হিসেবে লেখে। MIDI-তে velocity ক্ষেত্রের উপস্থিতি শুধু ফাইল ফরম্যাট পূরণ করে; মডেল রেকর্ডিং থেকে এক্সপ্রেশন অনুমান করেছে — এটি এমন প্রমাণ নয়। ড্রামস শুধু onset দেয়। মডেল গানের টেম্পো ম্যাপ, টাইম সিগনেচার বা বিট গ্রিডও অনুমান করে না। রাইটার ইভেন্ট সেকেন্ডকে টিকে রূপান্তর করতে নির্দিষ্ট 120 BPM টেম্পো ইভেন্ট ব্যবহার করে। "নির্দিষ্ট 120 BPM"-কে কখনো "শনাক্ত করা 120 BPM" হিসেবে উপস্থাপন করা যাবে না।
ধারাবাহিক টাইমিং আনুমানিকভাবে ধরে রাখা যায়, তবে স্কোর সফটওয়্যারের দেখানো স্বরলিপি মান নির্ভর করে ওই নির্দিষ্ট টেম্পো ও পরবর্তী কোয়ান্টাইজেশনের ওপর। রুবাতো, সুইং, মুক্ত-তাল অংশ ও টেম্পো পরিবর্তনের জন্য আলাদা বিট ও কাঠামো বিশ্লেষণ দরকার। বাজানোযোগ্য ইভেন্ট, সম্পাদনাযোগ্য ট্র্যাক আর প্রকাশনোপযোগী নোটেশন — তিনটি আলাদা স্তর; ভয়েসিং, টাই, পেডালিং, এনহারমোনিক বানান, রিপিট ও এক্সপ্রেশনের জন্য এখনো সঙ্গীতগত সিদ্ধান্ত প্রয়োজন।
লম্বা অডিও ওভারল্যাপিং খণ্ডে প্রসেস করার সময় onset-এর মালিকানা বৈশ্বিক সেকেন্ডে নির্ধারণ করতে হয়, আর সীমানা অতিক্রম করা খোলা নোটগুলো সামনে বহন করতে হয়। খণ্ডের MIDI ফাইল জোড়া লাগালে সীমানার আক্রমণ সদৃশ হতে পারে, সাসটেইন কেটে যেতে পারে, বা ট্র্যাকের নাম, প্রোগ্রাম ও ড্রাম চ্যানেল হারিয়ে যেতে পারে। গ্রহণযোগ্যতা পরীক্ষায় দেখতে হবে ঝুলন্ত নোট আছে কি না, ট্র্যাক মেটাডেটা অক্ষত কি না, এবং খণ্ড জোড়ায় পদ্ধতিগত টাইমিং বিচ্যুতি নেই কি না।
8. লাইসেন্স সংক্রান্ত তথ্য
MuScriptor কোড MIT লাইসেন্স ব্যবহার করে। large ওয়েট CC BY-NC 4.0-এ লাইসেন্সপ্রাপ্ত এবং গেটযুক্ত Hugging Face পৃষ্ঠার মাধ্যমে বিতরণ হয়। অ্যাক্সেসের জন্য লগইন করা অ্যাকাউন্ট, পৃষ্ঠার শর্তাবলি মেনে নেওয়া এবং ট্রান্সক্রাইব করা সংগীতের প্রয়োজনীয় অধিকার ব্যবহারকারীর কাছে আছে — এই নিশ্চিতকরণ প্রয়োজন।
কোড ও ওয়েটের লাইসেন্স আলাদা। ওয়েট ফাইলের অ্যাক্সেস তাদের NonCommercial শর্ত বদলায় না; অনুমোদিত ব্যবহারের মূল রেফারেন্স পিন করা মডেল কার্ড ও লাইসেন্স পাঠ।
9. উপসংহার ও প্রাথমিক উৎস
MuScriptor-large-এর মূল্য সুনির্দিষ্ট: 1.366B প্যারামিটারে এটি সর্বজনীন পরিবারের সবচেয়ে বড় সদস্য, বাস্তব পূর্ণ মিক্স লক্ষ্য করে, কঠোর ইনস্ট্রুমেন্ট শ্বেততালিকা সমর্থন করে, সম্পাদনাযোগ্য Type-1 মাল্টি-ট্র্যাক MIDI তৈরি করে, এবং নিজস্ব D_Test-এ YourMT3+-এর তুলনায় বড় লেখক-প্রতিবেদিত অগ্রগতি আছে। এর সীমাও সমান সুনির্দিষ্ট: শীর্ষ ডেটা সর্বজনীন নয়, বহিরাগত মেট্রিকে একপেশে জয় নেই, একই pitch-এর ওভারল্যাপিং নোট টোকেনাইজারে সংঘর্ষিত হয়, velocity ও বাস্তব টেম্পো ম্যাপ অনুপস্থিত, আর ওয়েট অবাণিজ্যিক ব্যবহারে লাইসেন্সপ্রাপ্ত।
"সর্বোচ্চ-মানের MuScriptor চেকপয়েন্ট" দাবিটি সমর্থিত। "স্বাধীনভাবে নিশ্চিত সার্বিক অডিও-টু-MIDI SOTA" নয়। কোনো সর্বজনীন পুনরুৎপাদন একই রেকর্ডিং, ইভেন্ট সংজ্ঞা, মিলের সহনসীমা ও ওভারল্যাপ নীতিতে MuScriptor-large, YourMT3+ ও MIROS-এর তুলনা করলে এই মূল্যায়ন বদলাতে পারে।