โมเดล
MuScriptor-large: การวัดจริงและขอบเขตของพารามิเตอร์ 1.366 พันล้านพารามิเตอร์ที่ผสมผสานกับ MIDI แบบหลายแทร็ก
การถอดเสียงเพลงอัตโนมัติ
การถอดเสียงเพลงอัตโนมัติ
การถอดเสียงดนตรีอัตโนมัติ
MuScriptor-large คือ checkpoint สาธารณะที่ใหญ่ที่สุดในตระกูล MuScriptor และเป็นตัวเลือกคุณภาพสูงสุดตามที่ model card ระบุ โมเดลแปลงเสียงโมโน 16 kHz เป็นช่วงละห้าวินาที แทนด้วยฟีเจอร์ mel 512 bin แล้วใช้ Transformer แบบ decoder-only จำนวน 48 ชั้นสร้างเหตุการณ์ pitch, onset, offset, instrument และ drum checkpoint สาธารณะมีพารามิเตอร์ F32 ทั้งสิ้น 1,366,399,488 ตัว บรรจุในไฟล์ safetensors ขนาด 5,465,642,136 ไบต์
การเป็นโมเดลที่ใหญ่ที่สุดในตระกูลไม่ได้แปลว่าเป็น state of the art ในระดับสากล บทความวิชาการรายงานคะแนนเหนือ YourMT3+ อย่างมากบน D_Test ซึ่งเป็นชุดข้อมูลส่วนตัว และเผยแพร่ผลบนชุดข้อมูลภายนอกอีกแปดชุด ซึ่ง MuScriptor ไม่ได้ชนะทุกเมตริก D_Real, D_RL และ D_Test ไม่ได้เปิดเผยต่อสาธารณะ ส่วน MIROS ก็ยังไม่เคยถูกเปรียบเทียบบนเสียง เมตริก และโปรโตคอลหลังประมวลผลเดียวกัน ข้อสรุปที่ปกป้องได้จึงแคบกว่านั้น: MuScriptor-large เป็นหนึ่งในตัวเลือก open-weight รุ่นใหม่ที่แข็งแกร่งที่สุดสำหรับ AMT หลายเครื่องดนตรีทั่วไป โดยมีผลระดับแนวหน้าที่ผู้พัฒนารายงานเองรองรับ
MuScriptor เผยแพร่ checkpoint สามขนาดคือ small, medium และ large เมทาดาทาใน repository ให้จำนวนพารามิเตอร์ที่แน่นอนคือ 102,968,832, 307,030,528 และ 1,366,399,488 large ใหญ่กว่า medium ประมาณ 4.45 เท่า และถูกอธิบายอย่างชัดเจนว่าเป็นรีลีสเรือธงคุณภาพสูงสุด การทดลอง ablation ด้านขนาดในบทความใช้ป้าย 60M, 100M, 300M และ 1.3B ป้ายจากการทดลองเหล่านั้นต้องไม่ถูกนำมาใช้แทนจำนวนพารามิเตอร์ที่แน่นอนของ checkpoint สาธารณะทั้งสาม
ที่รีวิชัน 8809fdfbed2affa7ade94a7059e746e3880720e7 repository ของน้ำหนักมีไฟล์ model.safetensors ขนาด 5,465,642,136 ไบต์ พร้อมไฟล์คอนฟิกอีกเล็กน้อย ส่วนซอร์สโค้ดถูกปักหมุดแยกไว้ที่ commit 302343e8992bdfc619f77f1988168374ed5d675d ตัวระบุเหล่านี้รวมกันผูกสถาปัตยกรรม tokenizer ค่าเริ่มต้นการอนุมาน และน้ำหนักเข้าด้วยกัน ป้ายที่เขียนเพียงว่า large ไม่เพียงพอ หากการนำไปใช้งานสามารถโหลด medium เงียบ ๆ หรือไล่ตาม main branch ที่ขยับตลอดเวลาได้
การจัดเก็บแบบ F32 ไม่ได้หมายความว่าทุกการคำนวณต้องใช้ F32 และไม่ได้พิสูจน์ว่าเวอร์ชัน low-bit ที่บุคคลภายนอกทำมีคุณภาพเทียบเท่า รีลีสนี้ไม่มีการศึกษาคุณภาพแบบโปรโตคอลเดียวกันสำหรับ checkpoint quantized ทางเลือก เส้นทางที่ให้คุณภาพเป็นอันดับแรกจึงเรียกร้องตัวตน large ที่แน่นอนได้ และล้มเหลวอย่างชัดเจนเมื่อโหลดไม่สำเร็จ แทนที่จะสลับไปใช้ระดับที่เล็กกว่า
อินพุตถูกแปลงเป็นโมโน 16 kHz การแปลงฟูริเยร์แบบเวลาสั้นใช้หน้าต่าง 2,048 จุดและ hop 160 แซมเปิล ให้เฟรม 100 เฟรมต่อวินาที จากนั้นฉายเข้าสู่ 512 mel bin ช่วงเสียงห้าวินาทีจึงมีเฟรมเชิงเสียงราว 500 เฟรม ฟีเจอร์เหล่านี้ป้อนเข้า Transformer แบบ decoder-only ที่มีความกว้าง 1,536, หัว attention 24 หัว และ 48 ชั้น โมเดลไม่ได้แยกมิกซ์ออกเป็น stem ชุดคงที่ก่อนแล้วรัน transcriber อิสระสำหรับแต่ละ stem เหตุการณ์ด้านเวลา เครื่องดนตรี และโน้ตถูกสร้างขึ้นในลำดับร่วมกัน
p(y|x,c)=∏n=1N p(yn|y<n, Enc(x), c)xการแทน mel ของช่วงเสียงห้าวินาทีcเงื่อนไขเครื่องดนตรี (ไม่บังคับ); เซตว่างหมายถึงตรวจจับอัตโนมัติynโทเคนเหตุการณ์ด้านเวลา เครื่องดนตรี pitch หรือการจบลำดับการแยกตัวประกอบแบบ autoregressive ทำให้เครื่องดนตรีและคอร์ดที่สร้างไปก่อนหน้าช่วยกำหนดการตัดสินใจครั้งต่อไป ซึ่งมีประโยชน์ต่อบริบทข้ามเครื่องดนตรีในมิกซ์เต็ม แต่มันก็ส่งต่อความผิดพลาดเช่นกัน time-shift ที่ผิดอาจเลื่อนโน้ตตัวถัดไป note-off ที่หายไปอาจทิ้งโน้ตค้างไว้ และการลอยตัวของโทเคนเครื่องดนตรีอาจวาง pitch ที่ถูกต้องลงบนแทร็กที่ผิด
ตัวอย่างทางการปัจจุบันใช้ batch size 1, beam size 1, cfg_coef=1 และ prelude forcing beam size 1 คือเส้นทาง argmax แบบกำหนดตายตัว beam ที่กว้างกว่าเก็บ prefix ไว้มากกว่าและกินหน่วยความจำมากกว่า หากไม่มี ablation แบบควบคุม จะตีป้าย beam 4 ว่าเป็นระดับคุณภาพสูงสุดไม่ได้
Classifier-free guidance ทำให้เงื่อนไขคมชัดขึ้นด้วยการผสาน logit แบบมีเงื่อนไขและไม่มีเงื่อนไข: ℓ=ℓu+s(ℓc−ℓu) ตารางสุดท้ายของบทความรายงาน Multi F1 เท่ากับ 48.2 ที่ CFG=1 และ 47.8 ที่ CFG=2 ค่าเริ่มต้นสาธารณะจึงยังคงเป็น 1 แทนที่จะสมมติว่าตัวเลข guidance ที่มากกว่าย่อมดีกว่า
บทความแบ่งวัสดุฝึกออกเป็นสามชั้น D_Synth มีไฟล์ MIDI ประมาณ 1.45 ล้านไฟล์จาก Lakh MIDI และผู้ให้บริการข้อมูลเชิงพาณิชย์ เรนเดอร์ผ่าน SoundFont กว่า 250 ชุด การเลื่อนคีย์ จังหวะ velocity การสุ่มเครื่องดนตรี และการ detune ช่วยให้วัสดุเชิงสัญลักษณ์ชุดเดียวกันสัมผัสช่วงทิมเบอร์ที่กว้างขึ้น การเรนเดอร์สังเคราะห์ให้ขอบเขตเหตุการณ์ที่แม่นยำ แต่จำลองเสียงรั่วของไมโครโฟน การมาสเตอร์ เสียงรบกวนจากผู้เล่น หรือหางยาวของงานผลิตจริงได้ไม่ครบ
D_Real มีการบันทึกภายในประมาณ 170,000 รายการ รวมราว 11,000 ชั่วโมง ป้ายโน้ตมาจากการจัดแนวเสียงกับสัญลักษณ์ ไม่ใช่การกำกับด้วยมือระดับแซมเปิล มิกซ์จริงขยายการกระจายของงานผลิต แต่ก็เพิ่มประเด็นการจับคู่ชื่อเพลง ความต่างของเวอร์ชัน ความหน่วงของปลั๊กอิน และความคลาดเคลื่อนของการจัดแนว จากนั้น D_RL คัดเลือกการถอดเสียงคุณภาพสูง 300 ชิ้นที่มนุษย์ตรวจสอบแล้วสำหรับการฝึกต่อแบบ GRPO/REINFORCE ทั้งสามขั้นตอนตอบโจทย์ความครอบคลุม การเลื่อนของโดเมน และความชอบระดับลำดับ แต่ชุดข้อมูลเสียงจริงและชุดรางวัลไม่ได้เปิดเผยต่อสาธารณะ
การเรียนรู้แบบมีผู้สอนลดค่า negative log likelihood ระดับโทเคน ส่วนการฝึกต่อใช้รางวัลที่ประกอบจากมาตร onset, offset, frame, drums และหลายเครื่องดนตรี การปรับให้เหมาะสมระดับลำดับลงโทษความล้มเหลวเชิงโครงสร้างที่การจำแนกโทเคนอิสระมองข้ามได้ แต่ชุดรางวัลที่ผ่านการตรวจสอบมีเพียง 300 แทร็ก ความครอบคลุมของเครื่องดนตรีหายาก จังหวะสุดขั้ว และประเพณีดนตรีนอกตะวันตกจึงยังต้องการการประเมินภายนอกที่เปิดเผยได้
LSFT=−Σn log p(yn|y<n,x,c), J(θ)=E[R(y)]LSFTcross-entropy ระดับลำดับระหว่างการฝึกแบบมีผู้สอนR(y)รางวัลรวมสำหรับการถอดเสียงที่สมบูรณ์D_RLการถอดเสียงที่ผ่านการตรวจสอบ 300 ชิ้น ไม่ใช่ benchmark สาธารณะMuScriptor จับคู่โปรแกรม General MIDI 128 โปรแกรมเข้ากับกลุ่มเครื่องดนตรี MT3_FULL_PLUS โมเดลเรียนรู้ 36 กลุ่ม ขณะที่เดโมสาธารณะเปิดให้เลือก 35 ชื่อ ได้แก่ เปียโนอะคูสติกและไฟฟ้า กีตาร์สามกลุ่ม เบสอะคูสติกและไฟฟ้า สตริง ทองเหลือง ไม้เป่า ซินธิไซเซอร์ เสียงร้อง และกลอง ความต่างนี้สะท้อนเส้นแบ่งระหว่างการแทนภายในกับอินเทอร์เฟซที่เลือกได้ ตัวเลือก 35 รายการบนอินเทอร์เฟซจึงไม่ควรถูกรายงานเป็นจำนวนเต็มของหมวดที่โมเดลเรียนรู้
เมื่อช่องเครื่องดนตรีว่างเปล่า โมเดลอาจตรวจจับกลุ่มใดก็ได้ที่รองรับ แต่ทันทีที่เลือกชื่อหนึ่งชื่อขึ้นไป decoder จะ hard-mask โทเคนเครื่องดนตรีอื่นทั้งหมด นี่คือ whitelist แบบเข้มงวด ไม่ใช่ความชอบแบบนุ่มนวล มันลดการรั่วของเครื่องดนตรีได้เมื่อทราบวงแน่นอน แต่ก็อาจลบพาร์ตจริงที่ผู้ใช้ลืมเลือกทิ้งไปเช่นกัน เปียโน เบส และกลองอาจเป็นข้อจำกัดที่ดีสำหรับทริโอที่ทราบชัด ส่วนการตรวจจับอัตโนมัติปลอดภัยกว่าเมื่อยังไม่แน่ใจเรื่องการเรียงเพลง
ข้อจำกัดนี้ต้องเดินทางจากอินเทอร์เฟซไปถึง token mask ของ tokenizer ชิปที่เลือกแล้วถูก API ทิ้งไปจะกลายเป็นการควบคุมเทียม ส่วนสตริงที่ไม่ถูกจำกัดจะเลื่อนข้อผิดพลาดการสะกดออกไปจนถึงตอนรัน สัญญาที่ซื่อสัตย์ยอมรับเฉพาะตัวระบุทางการ 35 รายการ ปฏิเสธรายการซ้ำ และนิยามอาร์เรย์ว่างเป็นการตรวจจับอัตโนมัติ
ตารางที่ 1 ของบทความเปรียบเทียบ YourMT3+ YPTF.MoE+Multi (noPS) กับขั้นตอนการฝึกของ MuScriptor บน D_Test ส่วนตัวชุดเดียวกัน โมเดล large ขั้นสุดท้ายที่ CFG=1 รายงาน Onset 60.4, Frame 73.3, Offset 49.0, Drums 50.2 และ Multi 48.2 ส่วน YourMT3+ รายงาน 32.52, 45.54, 17.79, 41.4 และ 21.9 ช่องว่างนั้นกว้างอย่างมีนัยสำคัญ และสนับสนุนข้อกล่าวอ้างว่าข้อมูล โมเดล และสูตรการฝึกต่อที่ใหญ่ขึ้นของผู้พัฒนาเพิ่มประสิทธิภาพอย่างเป็นรูปธรรมภายใต้การกระจายของมิกซ์จริงและโปรโตคอลการกำกับของตนเอง
| D_Test ส่วนตัวชุดเดียวกัน | 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 กำหนดให้เครื่องดนตรี pitch, onset และ offset ต้องผ่านกฎการจับคู่พร้อมกัน จึงใช้สลับกับคะแนนที่ตรวจน้อยฟิลด์กว่าไม่ได้ MIROS ทำได้ 0.5998 ใน 2025 AMT Challenge บนชุดตัวอย่างสังเคราะห์ 76 ชิ้นที่ยาวชิ้นละราวยี่สิบวินาที ด้วยโปรโตคอล Multi Onset F1 แบบ program + pitch + onset MuScriptor ไม่ได้เข้าร่วมการทดสอบโปรโตคอลเดียวกันนั้น การวาง 48.2 ข้าง ๆ 0.5998 จะเป็นการเปรียบตัวหารและนิยามเหตุการณ์ที่ต่างกัน
D_Test มีผลงานหลายเครื่องดนตรี 372 ชิ้นจากวัสดุภายใน พร้อมการกรองชื่อเพลงเพื่อลดการรั่วไหลระหว่างชุดฝึกกับชุดทดสอบ การกรองชื่อเพลงมีประโยชน์ แต่ไม่เทียบเท่าการตรวจสอบการลบข้อมูลซ้ำแบบสาธารณะที่ทำซ้ำได้ เสียง คำกำกับ การเลือกเวอร์ชัน และกฎการล้างส่วนซ้อนทับไม่ได้เปิดเผย ตัวเลขเด่นจึงต้องถูกติดป้ายว่าเป็นผลบนชุดส่วนตัวที่ผู้พัฒนารายงานเองเสมอ
ชุดข้อมูลภายนอกทั้งแปดชุดเผยภาพที่ไม่เรียบเสมอกันมากกว่า เมื่อเทียบ YourMT3+ แล้ว MuScriptor ชนะ Frame F1 ใน 7 จาก 8 ชุด และ Multi F1 ใน 6 จาก 8 ชุด แต่ชนะ Onset F1 เพียง 4 จาก 8 ชุด โมเดลตามหลังใน onset, frame, offset และ multi บน RWC-C ตามหลังใน offset, drums และ multi บน RWC-R และตามหลังใน onset กับ offset บน Bach10 กิจกรรม pitch ค้างยาวที่แข็งแกร่งและเนื้อหารวมของแทร็กไม่ได้หมายความว่าจะเหนือกว่าในทุก transient ตระกูลเครื่องดนตรี หรือการกระจายของการบันทึก
tokenizer มีขีดจำกัดเชิงการแทนที่จับต้องได้: โน้ตที่ซ้อนพร้อมกันด้วยเครื่องดนตรีและ pitch เดียวกันไม่สามารถแทนทั้งคู่ได้อย่างสะอาด บทความตัดโน้ตซ้อนที่สั้นกว่าออกในการประเมิน D_Test หลัก หากไม่ตัดออก Onset F1 จะตกจาก 60.4 เหลือ 51.8, Offset จาก 49.0 เหลือ 41.9 และ Multi จาก 48.2 เหลือ 42.0 โน้ตเปียโน pitch เดิมที่เล่นซ้ำขณะเหยียบเพดัล ยูนิสันของสาย และกีตาร์หลายชั้น ล้วนอาจเจอการชนกันนี้ได้ทั้งนั้น
ablation ด้านขนาดโมเดลควรอยู่คนละแผนภูมิกับการเปรียบเทียบขั้นสุดท้าย ตารางที่ 4 ของบทความฝึกบน D_Real เพียงอย่างเดียวพร้อมเงื่อนไขเครื่องดนตรี Multi F1 เพิ่มจาก 35.2 เป็น 38.2, 39.7 และ 40.5 ตามป้าย 60M, 100M, 300M และ 1.3B ผลนี้แสดงประโยชน์จากขนาดที่ยังเพิ่มต่อเนื่องภายใต้การตั้งค่าดังกล่าว แต่ไม่ได้รวมขั้น pretraining สังเคราะห์และขั้นเสริมแรงขั้นสุดท้าย และไม่ใช่ benchmark โดยตรงของไฟล์ small, medium และ large สาธารณะ
| ป้ายขนาดในบทความ | 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 |
การตรวจด้วยการฟังควรมุ่งที่ยูนิสันหนาแน่น transient ที่กลองกับเบสใช้ร่วมกัน กีตาร์แตก ประสานเสียง ทิมเบอร์หายาก และเสียงก้องหนัก คะแนนรวมอาจยังดูดีขณะที่แทร็กกลายเป็นชิ้นสั้น มีการรั่วข้ามแทร็ก โน้ตค้างถูกตัด หรือเครื่องดนตรีตัวเดียวถูกแตกเป็นหลายช่อง ค่าเฉลี่ยอธิบายพฤติกรรมของประชากร แต่ไม่ได้แทนที่การตรวจ piano-roll และการเล่นเสียงสังเคราะห์กลับ
writer ปัจจุบันผลิต MIDI แบบ Type-1: เมทาดาทาอยู่ในแทร็กของตัวเอง และแต่ละแทร็กเครื่องดนตรีมีชื่อ โปรแกรม ช่อง เหตุการณ์ note-on และ note-off กลองใช้ธรรมเนียมช่อง 10 ของ General MIDI เมื่อเทียบกับการบีบทุกอย่างเป็น Type-0 โครงสร้างนี้สั่งปิดเสียง โซโล และแก้ไขใน DAW ได้ง่ายกว่า และทำให้เห็นการลอยตัวของเครื่องดนตรีชัดขึ้น
ผลลัพธ์ไม่ได้กู้ไดนามิกของการเล่นจริง โค้ดสาธารณะเขียน velocity ของโน้ตเป็น 100 ฟิลด์ velocity ใน MIDI เป็นเพียงการทำให้ครบตามรูปแบบไฟล์ ไม่ใช่หลักฐานว่าโมเดลอนุมานการแสดงออกจากการบันทึก กลองให้เฉพาะ onset โมเดลยังไม่อนุมานแผนที่จังหวะ time signature หรือตารางจังหวะของเพลงอีกด้วย writer ใช้เหตุการณ์ tempo คงที่ 120 BPM เพื่อแปลงวินาทีของเหตุการณ์เป็น tick ข้อความว่า คงที่ที่ 120 BPM ต้องไม่ถูกนำเสนอว่า ตรวจพบ 120 BPM เด็ดขาด
ไทม์มิ่งต่อเนื่องสามารถเก็บไว้ได้โดยประมาณ แต่ค่าโน้ตที่ซอฟต์แวร์โน้ตเพลงแสดงขึ้นอยู่กับ tempo คงที่นั้นและการ quantize ภายหลัง rubato, swing, ท่อน free-time และการเปลี่ยน tempo ต้องการการวิเคราะห์จังหวะและโครงสร้างแยกต่างหาก เหตุการณ์ที่เล่นได้ แทร็กที่แก้ไขได้ และโน้ตที่พร้อมตีพิมพ์คือสามชั้นที่ต่างกัน voicing, เครื่องหมาย tie, การเหยียบเพดัล, การสะกด enharmonic, เครื่องหมายทำซ้ำ และการแสดงออก ยังต้องการการตัดสินใจเชิงดนตรี
เมื่อประมวลผลเสียงยาวเป็นช่วงซ้อนทับ ต้องกำหนดความเป็นเจ้าของ onset ในหน่วยวินาทีโดยรวม ขณะที่โน้ตที่ยังเปิดค้างข้ามขอบต้องถูกส่งต่อไป การต่อไฟล์ MIDI ของแต่ละช่วงอาจทำ attack ที่ขอบซ้ำ ตัดโน้ตค้าง หรือทำชื่อแทร็ก โปรแกรม และช่องกลองหายไป การยอมรับควรตรวจโน้ตค้าง เมทาดาทาแทร็กที่เก็บครบ และการไม่มีไทม์มิ่งลอยเชิงระบบข้ามจุดเชื่อมช่วง
โค้ดของ MuScriptor ใช้สัญญาอนุญาต MIT น้ำหนักขนาด large ใช้ CC BY-NC 4.0 และเผยแพร่ผ่านหน้า Hugging Face ที่ต้องขอสิทธิ์ก่อน การเข้าถึงต้องมีบัญชีที่ล็อกอินแล้ว ยอมรับเงื่อนไขของหน้า และยืนยันว่าผู้ใช้ถือสิทธิ์ที่จำเป็นในดนตรีที่จะถอดเสียง
โค้ดกับน้ำหนักอยู่คนละสัญญาอนุญาต การเข้าถึงไฟล์น้ำหนักไม่ได้เปลี่ยนเงื่อนไข NonCommercial model card ที่ปักหมุดไว้และเนื้อความสัญญาอนุญาตคือเอกสารอ้างอิงหลักสำหรับการใช้งานที่ได้รับอนุญาต
คุณค่าของ MuScriptor-large เจาะจงชัดเจน: เป็นสมาชิกตระกูลสาธารณะที่ใหญ่ที่สุดที่ 1.366B พารามิเตอร์ มุ่งเป้ามิกซ์เต็มจากเสียงจริง รองรับ whitelist เครื่องดนตรีแบบเข้มงวด ผลิต MIDI หลายแทร็กแบบ Type-1 ที่แก้ไขได้ และมีคะแนนเหนือ YourMT3+ อย่างมากบน D_Test ส่วนตัวตามที่ผู้พัฒนารายงาน ขีดจำกัดก็เจาะจงไม่แพ้กัน: ข้อมูลเด่นไม่ได้เปิดเผย เมตริกภายนอกไม่ได้ชนะรวบ โน้ต pitch เดียวกันที่ซ้อนกันชนกันใน tokenizer ไม่มี velocity และแผนที่จังหวะจริง และน้ำหนักถูกอนุญาตเฉพาะการใช้ที่ไม่ใช่เชิงพาณิชย์
ข้อกล่าวที่ว่าเป็น checkpoint ของ MuScriptor ที่คุณภาพสูงสุดมีหลักฐานรองรับ แต่ข้อกล่าวที่ว่าเป็น SOTA ด้านเสียงเป็น MIDI ระดับสากลที่ยืนยันโดยอิสระแล้วยังไม่มี การประเมินนั้นเปลี่ยนได้เมื่อมีการทำซ้ำแบบสาธารณะที่เปรียบเทียบ MuScriptor-large, YourMT3+ และ MIROS บนการบันทึกเดียวกัน นิยามเหตุการณ์เดียวกัน ค่าคลาดเคลื่อนการจับคู่เดียวกัน และนโยบายส่วนซ้อนทับเดียวกัน