VocalParse: Towards Unified and Scalable Singing Voice Transcription with Large Audio Language Models
arXiv - 2026
默认用于较干净歌声，生成结构规整、接近乐谱表达的歌声 MIDI；固定检查点没有官方可调推理参数。
在 VocalParse、GAME、ROSVOT 与 SOME 之间切换，分别处理乐谱化歌声、伴奏残留和快速转写。
在 VocalParse、GAME、ROSVOT 与 SOME 之间切换，分别处理乐谱化歌声、伴奏残留和快速转写。
输入
上传完整的受支持音频或视频，并按素材类型与目标结果选择对应模型。
支持格式
输出
在 VocalParse、GAME、ROSVOT 与 SOME 之间切换，分别处理乐谱化歌声、伴奏残留和快速转写。
适用场景
在 VocalParse、GAME、ROSVOT 与 SOME 之间切换，分别处理乐谱化歌声、伴奏残留和快速转写。
在 VocalParse、GAME、ROSVOT 与 SOME 之间切换，分别处理乐谱化歌声、伴奏残留和快速转写。
默认用于较干净歌声，生成结构规整、接近乐谱表达的歌声 MIDI；固定检查点没有官方可调推理参数。
GAME 使用官方边界、D3PM 和估计控制把歌声转成 MIDI。语言默认自动／未指定，不再强制中文。
面向带噪或伴奏残留歌声的鲁棒路线；当前官方检查点主要使用普通话歌声训练。
SOME 是快速、轻量的歌声转 MIDI 路线。没有公开模型控制；可选的 MIDI 速度增强在推理后执行。
arXiv - 2026
默认用于较干净歌声，生成结构规整、接近乐谱表达的歌声 MIDI；固定检查点没有官方可调推理参数。
ACL - 2024
面向带噪或伴奏残留歌声的鲁棒路线；当前官方检查点主要使用普通话歌声训练。
Official technical guide - 2026
GAME 使用官方边界、D3PM 和估计控制把歌声转成 MIDI。语言默认自动／未指定，不再强制中文。
Official technical guide - 2023
SOME 是快速、轻量的歌声转 MIDI 路线。没有公开模型控制；可选的 MIDI 速度增强在推理后执行。
在 VocalParse、GAME、ROSVOT 与 SOME 之间切换，分别处理乐谱化歌声、伴奏残留和快速转写。
默认用于较干净歌声，生成结构规整、接近乐谱表达的歌声 MIDI；固定检查点没有官方可调推理参数。
GAME 使用官方边界、D3PM 和估计控制把歌声转成 MIDI。语言默认自动／未指定，不再强制中文。
面向带噪或伴奏残留歌声的鲁棒路线；当前官方检查点主要使用普通话歌声训练。
SOME 是快速、轻量的歌声转 MIDI 路线。没有公开模型控制；可选的 MIDI 速度增强在推理后执行。
VocalParse、GAME、ROSVOT 与 SOME 采用不同数据集、语言、标签规则和匹配容差。没有覆盖四个已部署检查点的统一、已核实公开协议，因此不拼造综合名次。
| 评测上下文 | 模型 | MAE_pitch ↓ | 详细指标 |
|---|---|---|---|
| 标准歌词 + SOFA 时间戳 | ROSVOTTelkNetPaper Table 1 | 0.38 | MAE_note ↓0.45MAE_duration ↓0.40MAE_note-count ↓0.20 |
| 仅音频 | VocalParse 1.7BTelkNetPaper Table 1 | 0.56 | MAE_note ↓0.44MAE_duration ↓0.34MAE_note-count ↓0.11 |
| 音频 + 标准歌词 | VocalParse 1.7BTelkNetPaper Table 1 | 0.35 | MAE_note ↓0.43MAE_duration ↓0.33MAE_note-count ↓0.11 |
面向带噪或伴奏残留歌声的鲁棒路线；当前官方检查点主要使用普通话歌声训练。
| 评测上下文 | 模型 | COnPOff F1 (%) | 详细指标 |
|---|---|---|---|
| 干净 | ROSVOTTelkNetPaper Table 1 | 77.4 | COn F1 (%)94.0COff F1 (%)94.5Pitch AOR (%)97.0Melody RPA (%)87.6 |
| MUSAN 噪声 | ROSVOTTelkNetPaper Table 1 | 77.0 | COn F1 (%)93.8COff F1 (%)94.4Pitch AOR (%)97.1Melody RPA (%)87.4 |
VocalParse、GAME、ROSVOT 与 SOME 采用不同数据集、语言、标签规则和匹配容差。没有覆盖四个已部署检查点的统一、已核实公开协议，因此不拼造综合名次。
该工具正在维护中，请稍后再试。
在这里写下你的建议或需求并提交。我们认真倾听每一个声音，并努力把好想法变成现实。
演示
在 VocalParse、GAME、ROSVOT 与 SOME 之间切换，分别处理乐谱化歌声、伴奏残留和快速转写。
VocalParse 1.7B