MuScriptor-large: misurazione effettiva e limiti di 1.366 miliardi di parametri mix completo su MIDI multitraccia

3. 1.45 milioni di file MIDI, 11,000 ore di audio reale e 300 trascrizioni revisionate

L'articolo divide il materiale di addestramento in tre livelli. D_Synth contiene circa 1.45 milioni di file MIDI provenienti da Lakh MIDI e da un fornitore commerciale di dati, resi in audio attraverso più di 250 SoundFont. Trasposizione, tempo, velocity, randomizzazione degli strumenti e detuning espongono lo stesso materiale simbolico a una gamma timbrica più ampia. Il rendering sintetico fornisce confini esatti degli eventi, ma non può riprodurre appieno le infiltrazioni tra microfoni, il mastering, i rumori dell'esecutore o la lunga coda della produzione reale.

D_Real contiene circa 170,000 registrazioni interne, per un totale di circa 11,000 ore. Le etichette delle note derivano da un allineamento audio-simbolico, non da un'annotazione manuale a livello di campione. I mix reali allargano la distribuzione di produzione, aggiungendo però corrispondenza dei titoli, differenze di versione, latenza dei plug-in ed errore di allineamento. D_RL seleziona poi 300 trascrizioni di alta qualità revisionate da persone per un post-training in stile GRPO/REINFORCE. Le tre fasi affrontano copertura, spostamento di dominio e preferenza di sequenza, ma i dataset reali e di reward non sono pubblici.

L'apprendimento supervisionato minimizza la log-verosimiglianza negativa a livello di token, mentre il post-training usa una reward composta da misure di onset, offset, frame, batteria e multi-strumento. L'ottimizzazione a livello di sequenza può penalizzare fallimenti strutturali che una classificazione indipendente dei token non coglie. Poiché l'insieme di reward revisionato conta solo 300 brani, la copertura di strumenti rari, tempi estremi e tradizioni non occidentali richiede ancora una valutazione pubblica esterna.

7. Cosa conserva il MIDI multitraccia Type-1 e cosa fissa il writer

Il writer attuale produce MIDI Type-1: i metadati occupano una traccia propria e ogni traccia di strumento porta un nome, un program, un canale ed eventi note-on e note-off. La batteria segue la convenzione del canale 10 di General MIDI. Rispetto ad appiattire tutto in Type-0, questa struttura è più facile da silenziare, mettere in solo e modificare in una DAW, e rende più visibile la deriva degli strumenti.

L'output non recupera le dinamiche eseguite. Il codice pubblico scrive la velocity delle note a 100. Un campo velocity nel MIDI soddisfa solo il formato del file; non è prova che il modello abbia inferito l'espressione dalla registrazione. La batteria fornisce solo gli onset. Il modello non inferisce nemmeno la mappa di tempo, l'indicazione metrica o la griglia dei battiti del brano. Il writer usa un evento di tempo fisso a 120 BPM per mappare i secondi degli eventi in tick. «Fisso a 120 BPM» non deve mai essere presentato come «120 BPM rilevati».

Il timing continuo può essere conservato in modo approssimato, mentre i valori notati mostrati dai software di spartito dipendono da quel tempo fisso e dalla quantizzazione successiva. Rubato, swing, passaggi a tempo libero e cambi di tempo richiedono un'analisi separata di battito e struttura. Eventi suonabili, tracce modificabili e notazione pronta per la pubblicazione sono tre livelli diversi; voicing, legature di valore, pedalizzazione, grafia enarmonica, ripetizioni ed espressione richiedono ancora decisioni musicali.

Quando audio lungo viene elaborato come segmenti sovrapposti, la proprietà degli onset va assegnata in secondi globali, mentre le note che restano aperte oltre un confine vanno riportate avanti. Concatenare i file MIDI dei segmenti può duplicare gli attacchi al confine, tagliare i sustain o scartare nomi delle tracce, program e il canale della batteria. In fase di accettazione bisogna controllare note sospese, metadati delle tracce preservati e assenza di derive sistematiche di timing tra le giunzioni dei segmenti.