基于多任务多尺度网络的钢琴力度与节拍结构联合估计
音频与语音处理
2026-02-04 v2 机器学习
声音
摘要
从音频录音中估计钢琴力度是计算音乐分析中的基础问题。本文提出一种高效的多任务网络，联合预测动态水平、变化点、小节和下拍，这四个目标构成音乐谱板中动态的节奏结构。受近期人声动态研究的启发，我们采用多尺度网络作为骨干网络，该网络以 Bark 标度特定响度为输入特征。相较于以 log-Mel 为输入，该方法将模型规模从 14.7M 缩减至 0.5M，使能够处理更长的序列输入。我们采用 60 秒的音频长度进行音频分割，这在常用的节拍跟踪中翻倍。我们在公开的 MazurkaBL 数据集上进行评估，本模型在所有任务上均实现了最新结果。这项工作为钢琴力度估计树立了新的基准，提供了一个强大且紧凑的工具，为大规模、高效的音乐表情分析铺平了道路。
引用
@article{arxiv.2510.18190,
title = {Joint Estimation of Piano Dynamics and Metrical Structure with a Multi-task Multi-Scale Network},
author = {Zhanhong He and Hanyu Meng and David Huang and Roberto Togneri},
journal= {arXiv preprint arXiv:2510.18190},
year = {2026}
}
备注
Accepted to ICASSP2026 conference