لقد تحسنت خوارزميات الترجمة الآلية للبيانو بشكل كبير في السنوات الأخيرة بفضل مجموعات بيانات جديدة وتقنيات نمذجة. ركزت التطورات الحديثة بشكل أساسي على تكييف هياكل الشبكات العصبية الجديدة، مثل Transformer و Perceiver (المحول والمستشعر)، من أجل إنتاج أنظمة أكثر دقة. في هذا البحث، ندرس أنظمة الترجمة من منظور بيانات التدريب الخاصة بها. عن طريق قياس أدائها على بيانات البيانو المُشَرَّحة خارج التوزيع، نوضح كيف يمكن لهذه النماذج أن تتخطى بشكل شديد إلى الخصائص الصوتية لبيانات التدريب. قمنا بإنشاء مجموعة صوتية جديدة لمجموعة البيانات MAESTRO، تم التقاطها آليًا في بيئة تسجيل احترافية عبر تشغيل Yamaha Disklavier (ياناما ديسلافير). باستخدام تقنيات تضخيم البيانات المختلفة عند التدريب باستخدام الإصدارات الأصلية والمُعاد أداءها من مجموعة البيانات MAESTRO، حققنا دقة بداية الملاحظة الحالية بمعدل F1 يبلغ 88.4% على مجموعة البيانات MAPS، دون مشاهدة أي من بياناتها التدريبية. ثم قمنا بتحليل هذه تقنيات تضخيم البيانات في سلسلة من دراسات الاستبعاد لتوضيح تأثيرها بشكل أفضل على النماذج الناتجة.