西班牙阿利坎特大学打造的乐谱"阅读专家"：当AI学会了看懂五线谱

这项研究由西班牙阿利坎特大学模式识别与人工智能研究组完成，论文编号为arXiv:2606.31811v1，于2026年6月30日发布。有兴趣深入了解的读者可通过该编号在arXiv预印本平台查阅完整论文。

一、图书馆里沉睡的音乐宝藏

全世界的图书馆和档案馆里，存放着数以百万计的乐谱页面。这些纸页上密密麻麻地印着音符、休止符、谱号和连音线，记录着几个世纪以来人类最珍贵的音乐创作。其中许多作品可能从未被现代人聆听过，因为它们以原始图片的形式静静躺在数据库里，没有任何方式能让计算机"读懂"它们。

以全球最大的公共域乐谱数字图书馆IMSLP（国际乐谱图书馆项目）为例，这里收藏了来自数十万件不同音乐作品的海量扫描页面。然而，绝大多数页面仍然只是图片——就像你手里拿着一张古老的手写地图，但没有任何翻译工具，无法把上面的符号转换成导航信息。手工转录的代价极其高昂，因此这批文化遗产虽然已经数字化，却仍然处于"沉睡"状态，无法被计算机检索、分析或利用。

这正是阿利坎特大学研究团队想要解决的问题。他们开发出了一种名为MuSViT（音乐乐谱视觉变换器）的人工智能模型，专门学习"看懂"乐谱图片。这是有史以来第一个专门为乐谱图像设计的视觉基础模型。

可以把MuSViT理解为一位经过专业训练的音乐抄谱员。普通的图像识别AI，就像一位从未接触过乐谱的普通人——虽然眼睛看得见纸上的黑色线条和圆点，但根本不明白哪个圆点是Do、哪条竖线代表节拍划分。MuSViT则不同，它通过大量"练习"，真正理解了五线谱的语言规则，知道音符的高低对应位置意味着什么音高，各种符号组合在一起意味着怎样的节奏。

二、从零开始的学艺之路：自己考自己的独特训练方式

MuSViT的训练方式，用一句话来描述，就是：把一张乐谱图片随机遮住大部分区域，然后让模型凭借剩下的部分"猜"出被遮住的内容，再和真实内容对比，不断修正自己的错误。

这种训练方式在学术上叫做"掩码自动编码器"（MAE）。以生活中的场景来类比：假设你在学习一份乐谱，老师每次都随机遮住70%的内容，只留下30%的音符给你看，然后问你被遮住的地方应该是什么。要做到这一点，你必须真正理解五线谱的语法规则——你需要知道"这里是一个升号，接下来通常会出现什么音"，或者"这段节奏型的后续应该是什么"。单纯靠记忆是不够的，你必须理解音乐符号背后的逻辑。

研究团队选择这种训练方式还有一个更深层的原因：乐谱和普通照片完全不同。普通照片里的内容（比如一只猫）被遮住一半后，你还可以凭直觉猜测那里的颜色和纹理；但乐谱里被遮住的每一个音符，都有严格的语义含义——它的垂直位置决定音高，形状决定时值，旁边的符号决定演奏方式。因此，要猜对被遮住的乐谱内容，模型必须真正"懂得"音乐符号的规律，而不只是在视觉上做纹理插值。

更关键的是，MuSViT采用了一种"两阶段渐进式"学习策略，这是整个项目能够成功的关键所在。研究人员发现，如果直接把AI扔进IMSLP的数以百万计的真实扫描乐谱里训练，AI会立刻迷失——因为真实乐谱的视觉复杂性太高，有各种年代的笔迹、不同的印刷质量、多种符号体系，AI根本无法建立起基础的理解框架，最终只会输出一片模糊的灰色平均图像，什么都没学到。这就是所谓的"维度坍塌"现象。

于是研究团队设计了"先学再练"的两步走策略。第一阶段，他们用DeepScoresV2数据集——一个专门的合成乐谱数据库，视觉风格整洁统一——对MuSViT进行初步训练。在这个阶段，遮住比例设为50%，图像大小为512×512像素。模型在这个相对简单、规律性强的环境里，先打好基础，学会识别基本的音符、谱线和符号。一旦这个基础打牢，第二阶段才开始——把模型放进IMSLP的真实乐谱世界里，接受更大规模、更复杂多样的训练。此时遮住比例提升到70%，图像也放大到1024×1024像素，让模型学会处理整页乐谱，理解跨越多个谱系统的全页布局结构。

研究团队通过严格的数学分析（奇异值谱和有效秩分析）证明了这两阶段策略的必要性：使用两阶段训练的MuSViT，其内部表示空间维度丰富、分布均匀；而直接进行单阶段训练的版本，其内部空间严重退化，大多数维度坍缩成同一个方向，如同把一个立体的知识结构压扁成了一张纸。

三、乐谱AI的"底盘"：架构设计的考究之处

MuSViT的骨架采用了视觉变换器（ViT）架构——这是当今图像识别领域最主流的深度学习结构之一，其工作方式类似于将一张图片切成若干小块，然后让每个小块相互"交流"，共同理解整张图片的含义。

在普通图像任务中，研究者通常把图片切成16×16像素的小块，每块作为一个基本单元。MuSViT同样采用这个尺寸。这个选择对于乐谱识别尤为关键：一个音符的符头大约就是这么大，恰好让每个小块只包含一个最基本的音乐元素——一个符头、一条符干、或一个升降号——而不会把多个元素混在一个块里导致混淆。

另一个值得关注的设计细节是位置编码的选择。在普通的视觉变换器里，每个小块的位置是用一维顺序编码的（第1块、第2块、第3块……）。但乐谱是天然的二维空间语言：一个音符的水平位置代表时间，垂直位置代表音高。研究团队因此特意采用了二维正弦位置编码，让模型从一开始就明确知道每个小块的上下左右坐标，而不需要自己从一维顺序里慢慢摸索出二维的空间关系。这个改动看似微小，实则对音高识别至关重要。

MuSViT共有12个Transformer层，约8500万个参数，是一个中等规模的模型。研究团队还同时训练了一个更轻量的版本MuSViT-Light，同样是12层，但每层的宽度缩减为原来的一半，总参数约2500万。MuSViT-Light专为计算资源有限的应用场景设计，在大多数任务上的表现与完整版本相差无几。

解码器部分（仅在训练期间使用，训练完成后即丢弃）是一个8层的轻量变换器，负责接收编码器处理过的可见小块，然后重建被遮住部分的像素值。训练损失函数是预测像素值与真实像素值之间的均方误差，仅对被遮住的小块计算。整个训练过程不需要任何人工标注的数据，完全靠自我监督完成。

四、数据来源：乐谱世界的"百科全书"

MuSViT的训练数据规模令人印象深刻——来自IMSLP的970万页乐谱，涵盖约40万件不同音乐作品。这些页面横跨数百年的音乐历史，从中世纪的量词符号谱（Mensural Notation）到现代的标准西方五线谱（CWMN），从手写手稿到精密排版的印刷乐谱，从单声部的声乐线到密密麻麻的管弦乐总谱，几乎覆盖了人类音乐书写传统的全部形态。

这种多样性是有意为之的。正如一个优秀的厨师不只会做一种菜系，MuSViT需要面对的真实世界乐谱，本来就千变万化——不同时代的书写习惯、不同作曲家的记谱偏好、不同印刷质量带来的视觉噪声。只有在如此多样的数据上训练，MuSViT才能建立起真正通用的乐谱理解能力，而不是只认识某一种特定风格的乐谱。

五、四项考试：检验MuSViT究竟学到了什么

训练完成后，研究团队用四项完全不同的下游任务来测试MuSViT的通用性。这四项任务就像四门完全不同科目的考试：有的考细节（认出每个符号），有的考全局（转录整页乐谱），有的考分类（判断难度级别）。如果MuSViT真的学到了乐谱的"语言"，它应该在所有这些不同类型的任务上都表现优异，而不是只擅长一种。

每项任务都在两种场景下进行测试：一是"线性探测"场景（冻结编码器），即把MuSViT的核心部分完全冻住不动，只在上面加一个简单的任务专用头，看固定下来的特征表示本身有多好；二是"微调"场景，即解冻MuSViT，让它和任务专用头一起继续训练，看MuSViT能否超越该领域当前最好的专用系统。这两种场景分别回答了两个不同的问题：MuSViT内置的知识有多好？MuSViT作为起点有多好？

**第一项考试：整页乐谱转录**

这是最困难也最有实用价值的任务——给模型一整页钢琴乐谱图片，让它输出对应的完整音符序列，包含每个音符的音高、时值，以及正确的阅读顺序。这就像把一张手写的满页文章交给OCR（文字识别）系统，要求它逐字逐句准确转录。

研究团队在两个数据集上进行了测试：莫扎特基金会数据集（101页印刷CWMN）和波兰数字乐谱数据集（117页印刷CWMN）。评测指标是符号错误率（SER），类似于文字识别中的字符错误率，数值越低越好。

在冻结编码器的线性探测场景下，MuSViT的表现令人震惊。四个通用视觉模型（PaliGemma 2、Kosmos-2.5、Qwen3-VL、DINOv3-7B）的错误率均在48%到62%之间——也就是说，这些强大的通用AI在看乐谱时，大约有一半的音符都认错了。而MuSViT的错误率仅为16.4%，比最好的通用模型PaliGemma 2低出超过三倍。更惊人的是，仅凭冻结特征、不做任何任务专项训练，MuSViT已经超越了这一任务此前发表的最好结果（20%的错误率）。

进入微调场景后，MuSViT的错误率进一步降至10.9%，比此前的最好系统提升了9.1个百分点，在波兰数字乐谱数据集上的提升尤其显著（从25.8%降至11.3%，错误率几乎减半）。

**第二项考试：谱行级别转录**

与整页转录不同，这项任务处理的是已经分割好的单独谱行图像——相当于把一页乐谱裁剪成一行一行，然后逐行识别。这是该领域历史最悠久的标准测试，测试集覆盖了不同时代、不同风格的乐谱：手写量词符号谱（Capitan数据集，828行）、危地马拉手写量词谱（Guatemala，3263行）、印刷量词谱（Il Lauro Secco，1136行）、印刷现代五线谱（AMDC，308行）以及手写现代五线谱（FMT，1305行）。

在冻结场景下，MuSViT的平均错误率为18.4%，在五个数据集中的四个上排名第一。唯一例外是AMDC数据集，Qwen3-VL在这里以17.4%微弱领先于MuSViT的21%。与DINOv3-7B（32.1%）和Kosmos-2.5（47.5%）的差距依然悬殊，证明无论是庞大的参数规模还是丰富的语言对齐训练，都无法替代音乐专项的视觉表示。

在微调场景下，MuSViT的平均错误率为8.6%，比该任务的当前最好成绩8.0%仅差0.6个百分点——这个微小差距在研究团队看来是可以解释的：谱行级别任务的输入只有一行音符，模型不需要同时处理全局布局和局部符号细节，因此乐谱专项预训练能提供的额外优势相对较少。

**第三项考试：音乐符号检测**

这项任务要求模型在乐谱图片中定位并识别每一个单独的音乐符号，输出每个符号的边界框和类别标签——包括符头、符干、符梁、各种休止符、谱号、升降号等135种不同类型。这是一个典型的二维空间定位任务，考验的是模型对精确位置的感知能力。

测试数据集为DeepScoresV2，包含1714张乐谱，135个符号类别。

冻结场景下的线性探测结果非常清楚地展示了专域训练的价值：MuSViT在mAP（平均精度均值）上达到79.7%，在w-mAP（加权平均精度均值）上达到80.7%，远超DINOv3-7B（70.4% mAP，62.0% w-mAP）。在小尺寸符号检测上（APS指标），MuSViT以52.8%领先DINOv3-7B的43.2%——这恰恰是乐谱中最密集的符号区域。视觉语言模型（如PaliGemma 2的31.7% mAP）则差距更大，研究团队认为这表明语言对齐训练实际上损害了模型对密集符号布局的空间精度。

微调场景下，MuSViT取得了全部四项任务中最令人瞩目的突破：以97.0%的mAP50超越当前最好系统90.5%超过6个百分点。更值得强调的是，MuSViT使用的Faster R-CNN检测器远比当前最好系统的Transformer端到端检测架构轻量，且编码器只通过LoRA（一种极参数高效的微调方法）进行了极少量参数的调整（仅更新约30万个参数），并未完全解冻——这两个因素都对MuSViT不利，但它依然领先6个百分点，充分说明优势来自于表示质量本身，而非模型规模。

**第四项考试：乐谱难度分类**

这是四项任务中最"宏观"的一个：给模型几页钢琴乐谱图片，让它判断这首曲子演奏起来有多难。这个任务不需要识别每个音符，而是需要从整页的视觉印象中提取出"难度"这个抽象的高层属性——就像有经验的钢琴老师翻开一份乐谱，扫一眼就知道这适合几级学生练习。

测试集涵盖三个数据集，共包含7661件钢琴作品，难度标注从5个级别到9个级别不等。评测指标包括Acc0（精确匹配）和Acc1（允许相邻一个级别的误差）。

在冻结场景下，MuSViT取得了47.4%的精确匹配率和87.1%的邻近匹配率，是所有模型中最好的成绩，且已超越该任务此前发表的最好结果（38.4%精确匹配，84.3%邻近匹配）。有趣的是，在这个任务上，MuSViT与PaliGemma 2（46.8%精确匹配）的差距相对较小——研究团队认为这是因为难度判断在一定程度上可以依赖音符密度等粗略的视觉统计量，而通用模型对这些粗略信号也有一定感知能力。

微调场景下，MuSViT的精确匹配率跃升至54.2%，邻近匹配率达到89.3%，比当前最好系统分别提升15.8和5.0个百分点。轻量版MuSViT-Light的成绩（54.0%精确匹配，88.9%邻近匹配）与完整版几乎相同——这是所有任务中两个版本差距最小的一次，进一步证明难度估计是一个依赖全局视觉统计而非精细编码能力的任务。

六、最深入的证明：AI真的"懂"音乐，还是只是碰巧答对？

通过四项任务的测试，MuSViT证明了自己在性能上的优势。但研究团队还想深入一步——MuSViT的内部表示空间，究竟是否真的编码了音乐的语义内容？还是说它只是学会了一些视觉技巧，恰好在测试题上表现良好？

这个问题关乎一个更根本的洞察：如果两张乐谱的内容（音符序列）非常相似，MuSViT给它们生成的特征向量是否也会非常接近？反之，如果两张乐谱的内容完全不同，它们的特征向量是否会彼此远离？

研究团队在莫扎特基金会和波兰数字乐谱两个数据集上，对每张图片提取MuSViT的完整特征向量，然后计算所有图片对之间的"特征距离"（特征向量在空间中的欧氏距离）和"转录距离"（对应音符序列之间的编辑距离，以及音符频率分布之间的差异）。如果两者高度相关，说明MuSViT的特征空间真正编码了音乐语义；如果相关性低甚至负相关，说明MuSViT的特征更多捕捉的是视觉外观而非音乐内容。

结果非常清晰：所有四个通用视觉模型的相关系数均为负值（大约在-0.009到-0.153之间）。这意味着，这些模型的特征空间不仅与音乐语义无关，甚至存在轻微的反相关——音乐内容相似的乐谱，在这些模型眼里反而可能显得更不一样，而音乐内容差异很大的乐谱，表面上的视觉相似性却可能让它们在特征空间里显得很近。这种情况发生的原因是，这些通用模型被训练来感知自然图像的视觉特征，而视觉上相似的乐谱（比如同一时代的印刷风格）未必在音乐内容上相似。

MuSViT和MuSViT-Light则截然不同：皮尔逊相关系数分别达到0.606/0.618（编辑距离）和0.665/0.646（频率直方图距离），斯皮尔曼相关系数更是高达0.691/0.658和0.714/0.662。这说明MuSViT的特征空间与音乐语义内容高度相关——音符序列相似的乐谱，在MuSViT的"眼睛"里也是相近的；音符序列差异大的乐谱，特征向量也会相应分离。

研究团队还做了一个更细致的近邻分析：对于每张乐谱图片，找出转录内容最相近的k张图片（k从1到25变化），计算这些最近邻图片在特征空间中的平均距离，以及转录内容最不相近的k张图片的平均距离。对MuSViT来说，这两条曲线始终保持明显的分离——最相近的图片的特征距离约在475-490之间，最不相近的图片的特征距离约在660-680之间。而所有通用模型的两条曲线几乎重叠（均在500-530之间），毫无分离。这个结果从局部结构的角度再次确认了MuSViT特征空间与音乐语义的深度对齐。

此外，研究团队还通过主成分分析（PCA）可视化了MuSViT的内部激活分布。结果直观地显示：MuSViT的激活热量集中在乐谱中有音符的行，而空白边距、系统间隙和空白区域则几乎没有激活——这表明MuSViT真正"聚焦"于音乐内容区域。相比之下，DINOv3-7B的激活均匀分布在整张图片上（更像是在感知墨水浓度和纸张纹理），PaliGemma 2的激活则散乱无章，没有与谱行结构对齐的规律。

七、计算效率的意外惊喜

在完成了上述所有测试之后，研究团队还做了一个额外的计算效率对比，结果颇为令人宽慰：MuSViT在85M参数、106 GFLOPs的规模下，就实现了领先于多个规模大得多的通用模型的性能。相比之下，DINOv3-7B拥有70亿参数和27541 GFLOPs，是MuSViT参数量的约82倍、计算量的约260倍；Qwen3-VL的参数量是MuSViT的约6.8倍；PaliGemma 2和Kosmos-2.5的参数量也分别是MuSViT的约4.7倍和4.8倍。即便是在微调场景下与这些通用模型比较（让它们也在目标任务上微调），MuSViT依然保持领先，且消耗的计算资源远少得多。

这一结果的含义很直接：在乐谱分析这个特定领域，更大的通用模型并不能弥补领域专业知识的缺失。专门在乐谱数据上训练的小模型，胜过了在海量通用数据上训练的超大模型。这为那些缺乏大规模计算资源的研究机构提供了一条可行的路径。

说到底，MuSViT这项工作告诉我们一件朴素的道理：专业的事情，还是需要专业的工具。那些在数亿张猫猫狗狗、自然风景、街头照片上训练出来的通用AI，对于乐谱这种高度符号化、规则严格的视觉语言来说，就像一位从未学过音乐的人试图抄写乐谱——眼睛能看到线条和圆点，却无法理解它们之间的语法关系。

MuSViT的贡献在于，它第一次为乐谱领域建立了这样一个"读过所有乐谱教材"的基础模型。基于这个基础，未来的研究者不需要从头训练，只需要在MuSViT上稍加调整，就可以让乐谱相关的各类应用快速上手——无论是全自动乐谱转录、音乐符号检索、还是面向钢琴学生的难度推荐系统。那些沉睡在IMSLP里的970万页乐谱，也许有一天真的可以被"唤醒"，重新变成可以检索、分析和演奏的音乐信息。

当然，这项研究也有其局限性。目前MuSViT的测试数据集主要集中在钢琴乐谱和少数历史符号体系，对于更复杂的管弦乐总谱、爵士乐铅笔谱、现代记谱法等更多样化的场景，还需要进一步验证。此外，MuSViT目前的输出是视觉特征表示，要真正实现完整的乐谱自动转录（即端到端的光学音乐识别），还需要在其之上构建完整的解码系统。

MuSViT的模型权重、预训练代码和评测脚本均已在阿利坎特大学的项目页面公开发布，感兴趣的读者可通过arXiv论文编号arXiv:2606.31811v1找到完整论文，进而通过论文中的项目链接获取所有资源。

Q&A

Q1：MuSViT是什么类型的模型，和普通图像识别AI有什么区别？

A：MuSViT是专门为乐谱图像设计的视觉基础模型，由西班牙阿利坎特大学研究团队开发。普通图像识别AI是在自然图像（照片、网络图片）上训练的，无法理解音符的垂直位置代表音高、符号组合代表节奏等乐谱专属规则，在识别乐谱时错误率极高（约50%以上）。MuSViT通过在970万页真实乐谱上进行专项训练，真正学会了音乐符号的语法规律，将错误率压缩到16%左右。

Q2：MuSViT训练时为什么要分两个阶段，直接用真实乐谱训练不行吗？

A：直接用真实乐谱训练会导致"维度坍塌"——模型因为数据复杂性太高而无法建立有效的理解框架，最终只输出模糊的平均图像，什么都没学到。研究团队的解决方案是先用规律性强的合成乐谱数据集做基础训练，让模型掌握基本的音乐符号识别能力，然后再转移到真实乐谱数据上进行大规模训练。通过奇异值谱分析，两阶段方案的内部特征空间明显更丰富、更均匀。

Q3：MuSViT能直接用来自动转录乐谱吗，普通人能用到吗？

A：MuSViT本身是一个特征提取"骨干"模型，不是端到端的乐谱转录产品。在它之上需要配合具体的任务头（如自动回归解码器）才能完成整页转录。目前研究团队已经公开了模型权重和代码，技术开发者可以基于MuSViT构建乐谱识别应用。对于普通用户而言，MuSViT更可能以未来某款自动乐谱识别工具的形式间接影响生活，例如帮助钢琴学生扫描纸质乐谱后自动生成数字版本，或辅助音乐研究者检索历史乐谱资料库。