摘要
自动音乐转录（Automatic Music Transcription, AMT）是指将音频录音转换为符号化音乐表示的任务。近年来，基于神经网络的方法被广泛应用于AMT，并取得了当前最优的性能。然而，许多先前的系统仅以帧为单位检测音符的起始（onset）与终止（offset），导致转录分辨率受限于帧移（frame hop size）。目前，针对不同策略编码起始与终止目标以用于训练的研究仍较为匮乏。此外，以往的AMT系统对音频标注中起始与终止时间的错位（misalignment）较为敏感。同时，在大规模数据集上关于踏板（sustain pedal）转录的研究也十分有限。本文提出一种高分辨率的AMT系统，通过回归钢琴音符的精确起始与终止时间进行训练。在推理阶段，我们设计了一种解析算法，可精确计算钢琴音符及踏板事件的起始与终止时间。实验表明，与以往方法相比，本系统对标注中起始与终止时间错位具有更强的鲁棒性。在MAESTRO数据集上，我们的系统在起始时间检测上取得了96.72%的F1分数，显著优于此前基于帧与起始点的系统（94.80%）。此外，系统在踏板起始时间检测上达到91.86%的F1分数，为MAESTRO数据集上首次公布的基准结果。我们已将本工作的源代码与模型检查点开源，地址为：https://github.com/bytedance/piano_transcription。