MuScriptor-large: πραγματική μέτρηση και όρια 1,366 δισεκατομμυρίων παραμέτρων πλήρης μίξη σε MIDI πολλαπλών κομματιών

3. 1,45 εκατομμύριο αρχεία MIDI, 11,000 ώρες πραγματικού ήχου και 300 ελεγμένες μεταγραφές

Η δημοσίευση διαχωρίζει το εκπαιδευτικό υλικό σε τρία επίπεδα. Το D_Synth περιέχει περίπου 1,45 εκατομμύριο αρχεία MIDI από το Lakh MIDI και έναν εμπορικό πάροχο δεδομένων, αποτυπωμένα μέσω περισσότερων από 250 SoundFonts. Η μετατόνιση, ο τυχαίος ρυθμός, η ένταση, η τυχαιοποίηση οργάνων και η ντετιμπάρισμα εκθέτουν το ίδιο συμβολικό υλικό σε ευρύτερο φάσμα ηχοχρώματος. Η συνθετική απόδοση δίνει ακριβή όρια γεγονότων, αλλά δεν μπορεί να αναπαράγει πλήρως τη μικροφωνική διαρροή, το mastering, τους θορύβους εκτέλεσης ή τη μακρά ουρά της πραγματικής παραγωγής.

Το D_Real περιέχει περίπου 170,000 εσωτερικές ηχογραφήσεις, συνολικά γύρω στις 11,000 ώρες. Οι ετικέτες νοτών τους προέρχονται από ευθυγράμμιση ήχου με συμβολικά δεδομένα, όχι από χειροκίνητη σχολίαση σε επίπεδο δείγματος. Οι πραγματικές μίξεις διευρύνουν την κατανομή παραγωγής, προσθέτοντας όμως αντιστοίχιση τίτλων, διαφορές εκδόσεων, καθυστέρηση plug-in και σφάλματα ευθυγράμμισης. Το D_RL επιλέγει στη συνέχεια 300 υψηλής ποιότητας μεταγραφές, ελεγμένες από ανθρώπους, για μετεκπαίδευση τύπου GRPO/REINFORCE. Τα τρία στάδια καλύπτουν κάλυψη δεδομένων, μετατόπιση κατανομής και προτίμηση ακολουθίας, αλλά τα σύνολα πραγματικού ήχου και ανταμοιβής δεν είναι δημόσια.

Η εποπτευόμενη μάθηση ελαχιστοποιεί την αρνητική λογαριθμική πιθανοφάνεια σε επίπεδο token, ενώ η μετεκπαίδευση χρησιμοποιεί μια ανταμοιβή συντεθειμένη από μέτρα έναρξης, λήξης, καρέ, κρουστών και πολλαπλών οργάνων. Η βελτιστοποίηση σε επίπεδο ακολουθίας μπορεί να τιμωρήσει δομικές αποτυχίες που ξεφεύγουν από την ανεξάρτητη ταξινόμηση token. Επειδή όμως το ελεγμένο σύνολο ανταμοιβής έχει μόλις 300 κομμάτια, η κάλυψη σπάνιων οργάνων, ακραίων ρυθμών και μη δυτικών παραδόσεων χρειάζεται ακόμη δημόσια εξωτερική αξιολόγηση.

7. Τι διατηρεί το MIDI πολλαπλών κομματιών Type-1 — και τι ορίζει ο εγγραφέας

Ο τρέχων εγγραφέας παράγει MIDI Type-1: τα μεταδεδομένα καταλαμβάνουν το δικό τους κομμάτι, και κάθε κομμάτι οργάνου φέρει όνομα, πρόγραμμα, κανάλι, γεγονότα note-on και note-off. Τα κρουστά ακολουθούν τη σύμβαση του καναλιού 10 του General MIDI. Σε σύγκριση με την ισοπέδωση όλων σε Type-0, αυτή η δομή σίγασης, σόλο και επεξεργασίας σε DAW είναι ευκολότερη, και καθιστά την απόκλιση οργάνων πιο ορατή.

Η έξοδος δεν ανακτά τις εκτελεσμένες δυναμικές. Ο δημόσιος κώδικας γράφει την ένταση νότας ως 100. Ένα πεδίο έντασης στο MIDI απλώς ικανοποιεί τη μορφή αρχείου· δεν αποτελεί απόδειξη ότι το μοντέλο συνήγαγε έκφραση από την ηχογράφηση. Τα κρουστά παρέχουν μόνο onsets. Το μοντέλο επίσης δεν συνάγει τον χάρτη ταχύτητας, το μέτρο ή το πλέγμα ρυθμού του τραγουδιού. Ο εγγραφέας χρησιμοποιεί ένα σταθερό γεγονός ταχύτητας 120 BPM για να αντιστοιχίσει τα δευτερόλεπτα γεγονότων σε ticks. Το «σταθερό στα 120 BPM» δεν πρέπει ποτέ να παρουσιάζεται ως «ανιχνευμένα 120 BPM».

Ο συνεχής χρόνος μπορεί να διατηρηθεί κατά προσέγγιση, ενώ οι σημειογραφικές τιμές που δείχνει το λογισμικό παρτιτούρας εξαρτώνται από εκείνη τη σταθερή ταχύτητα και τη μεταγενέστερη κβαντοποίηση. Το rubato, το swing, τα αποσπάσματα ελεύθερου χρόνου και οι αλλαγές ταχύτητας απαιτούν ξεχωριστή ανάλυση ρυθμού και δομής. Τα εκτελέσιμα γεγονότα, τα επεξεργάσιμα κομμάτια και η έτοιμη προς δημοσίευση σημειογραφία είναι τρία διαφορετικά επίπεδα· το voicing, οι συνδέσεις, το πεντάλ, η εναρμόνια ορθογραφία, οι επαναλήψεις και η έκφραση εξακολουθούν να απαιτούν μουσικές αποφάσεις.

Όταν μεγάλος ήχος επεξεργάζεται ως επικαλυπτόμενα τμήματα, η ιδιοκτησία των onsets πρέπει να αποδίδεται σε καθολικά δευτερόλεπτα, ενώ οι νότες που παραμένουν ανοιχτές πέρα από ένα όριο μεταφέρονται προς τα εμπρός. Η απλή συνένωση αρχείων MIDI τμημάτων μπορεί να διπλασιάσει επιθέσεις στα όρια, να κόψει sustain ή να απορρίψει ονόματα κομματιών, προγράμματα και το κανάλι των κρουστών. Η αποδοχή πρέπει να ελέγχει για κρεμασμένες νότες, διατηρημένα μεταδεδομένα κομματιών και απουσία συστηματικής χρονικής απόκλισης στις ενώσεις των τμημάτων.