AI 扒谱到底有多准？我们实测了一下

先说结论

出初稿够用，出成品还不行。2026年10月2日，我们用 12 段公开吉他录音做了测试：Spotify 开源的 Basic Pitch 起音 F1 达到 0.744，Mirelo 的 Audio-to-MIDI 为 0.471；1.0 意味着每个音符的音高和时间都对，而且没有一个多余的音。六段独奏录音里有三段 Mirelo 一个音都没返回，但在一段 60 秒的乐队片段上，它以 0.672 比 0.520 领先。音符时长远不如音符起点可靠；而且这些数字都说明不了写出来的乐谱好不好读。

起音 F1（onset F1）衡量的是什么？

起音 F1 把扒谱结果和参考标注逐个音符比对，漏掉的音和多出来的音同样扣分。扒出的一个音符，只要音高与某个参考音符相差不超过 50 音分（四分之一音），起点相差不超过 50 毫秒，就算匹配。每个参考音符只能被匹配一次。

匹配完会得到两个比例。精确率是模型写出的音符中匹配上的比例；召回率是参考音符中被模型找到的比例。F1 是两者的调和平均数，只要其中一个低，F1 就高不起来。假设一段音乐有 100 个音：一个模型写了 100 个音，对了 75 个，得分 0.75；另一个模型找到了其中 90 个，却为此写了 150 个音，召回率 0.9，精确率 0.6，F1 只有 0.72——多写的 60 个音拉低了分数。

起止 F1（onset+offset F1）再加一个条件：每个音符的结束点也要落在参考音符时长的 20% 以内，如果 50 毫秒更长，就按 50 毫秒算。Spotify 的 Basic Pitch 论文以起音 F1 为主要指标，因为音符结束点不那么客观，论文点出了混响、延音踏板和标注方式这几个原因。两个指标我们都会列出。但两者都不检查音符被分给了哪件乐器，也不管调号和节奏该怎么记。

我们的测试方法

我们用的是 GuitarSet 1.1.0（Xi 等，ISMIR 2018）。这个公开数据集收录了 360 段约 30 秒的吉他片段：六位吉他手弹奏同样的 30 份旋律谱，涵盖五种风格，每份先弹一遍伴奏（comp），再在伴奏之上弹一遍独奏。录音用的是六路分弦拾音器（hexaphonic pickup），每根弦各有一路独立信号，作者因此能把音符标注基本自动化。

我们选了 12 段完整录音，每位吉他手一段独奏、一段伴奏，用的是单声道麦克风音轨，共 433 秒。选哪几段在运行任何模型之前就定好了：先排除三段已知标注有误的录音（GuitarSet 的 issue #4 和 #5：一个重复的音符和错误的时间），再对每位吉他手的每种演奏方式，取“scorestarling-v1:”加文件名的 SHA-256 哈希值排序最靠前的文件。下文的逐段结果表列出了选中的 12 段。

打分用的是 mir_eval 0.8.2，容差采用上文所述的默认值，先逐段计算再取平均，让每段录音的权重相同。没有做任何调参：不加时间偏移，不做过滤，也不做对齐平移。Basic Pitch 0.4.0 在一台 Mac 上运行，两次完整运行的输出逐字节一致。Mirelo 的 Audio-to-MIDI API（返回的模型版本为 a2m-1.1）在 2026年10月2日处理了同样的 12 段录音，没有附带可选的乐器列表；据 Mirelo 的更新日志，其 API 自 2026年8月6日起支持这个参数。

以下所有结果都受四点限制：

• Basic Pitch 的论文把 GuitarSet 和 Slakh 列入了训练数据，所以两项测试都对它有利。我们无法确认这 12 段 GuitarSet 录音是否在它的训练集里；乐队片段则取自 Slakh 的测试集。
• 12 段吉他录音加一段 60 秒乐队片段，只是诊断性的小样本，不是基准测试。人声和真实录制的乐队演奏都没有测；钢琴只在合成音频上测过，用的也是另一个模型（见文末问答）。
• 吉他录音在 Mirelo 上只跑了一次，是在 10月2日。它没返回任何音符的那三段，我们也没有换个方式重试，比如告诉它录音里是原声吉他。乐队片段在 10月5日重新提交了一次，返回的音符完全相同。
• 这些数字都不评价写出来的乐谱。像 MV2H 这样在乐谱层面打分、还会检查拍号、声部和时值的指标，我们还没有测。

ScoreStarling 扒单件乐器或人声用的是 Basic Pitch，扒乐队用的是我们的合作伙伴 Mirelo，所以我们并不是中立的旁观者。正因如此，我们在这里把方法、样本和局限都写清楚。

Basic Pitch 和 Mirelo，谁扒吉他更准？

Basic Pitch 胜出：独奏旋律上遥遥领先，伴奏上小幅领先。

2026年10月4日更新：ScoreStarling 的单件乐器选项做了两处改动——整体持续偏高或偏低的录音会先校准到 A440，旋律改为一次只写一个音——之后我们用同样的 12 段录音重测了一遍。独奏得分 0.846，伴奏 0.679，总体 0.763，算上音符结束点则为 0.522。上表保留的仍是 10月2日单独运行 Basic Pitch 的结果。

六段独奏录音中，有三段 Mirelo 一个音符都没返回。这三段在它的独奏平均分里按 0 计算，因为用户拿到的就是空结果；我们也没有重跑。返回了音符的那几段，表现有好有坏。第一段 00_BN3-154-E_solo 上，两个引擎在音符起点上打成平手（Basic Pitch 0.809，Mirelo 0.814），但 Mirelo 的音符结束点偏差更大（起止 F1 为 0.320，Basic Pitch 为 0.524），还把这首 154 BPM 的曲子判成了约 76.9 BPM，只有原速的一半。伴奏方面，六段里有两段 Mirelo 明显更好。12 段全部算上，它的起止 F1 为 0.224。

Basic Pitch 的 0.744，与作者在他们自己的 GuitarSet 测试集（72 段录音）上报告的结果相近：起音 F1 为 0.79，算上结束点为 0.56。两个引擎的速度也不同。Basic Pitch 在一台 Mac 上用 54 秒处理完了 433 秒的音频，这并不代表正式上线环境的耗时；第一段录音它用了 6.1 秒，Mirelo 用了 37 秒。

换成整支乐队会怎样？

混音更难扒，这一回是 Mirelo 领先。我们取了 Slakh2100 测试集中 Track01881 的前 60 秒。Slakh2100 收录了 2,100 首歌，都是用基于采样的虚拟乐器从 MIDI 渲染而成，所以参考音符分毫不差。这一分钟里，钢弦吉他、爵士吉他、钢琴、贝斯、颤音琴和鼓都有演奏。把所有有音高的乐器合在一起算、不管音符被分给了哪件乐器，并以两个引擎各自返回的 MIDI 文件打分，Basic Pitch 的起音 F1 为 0.520，Mirelo 为 0.672。

Basic Pitch 只输出一个合并的声部，也不写鼓。Mirelo 为每件乐器各写一个声部，所以只有 Mirelo 能按乐器打分，这里按 General MIDI 的乐器类别分组：

Mirelo 各乐器的起音 F1 一段 60 秒乐队片段，0 到 1

钢琴0.827

鼓0.698

吉他0.681

贝斯0.455

颤音琴0.137

要把两把吉他区分开就更难了。按 10月2日 Mirelo 返回的音符列表逐声部打分，钢弦吉他为 0.364，爵士吉他为 0.148；MIDI 文件里的音符比这份列表早约 20 毫秒开始，所以按 MIDI 算出的数字略有不同。Mirelo 还给歌曲里根本没有的乐器报了 92 个音：管风琴、合成器铺底音色（pad）、小提琴和大提琴。鼓点只按时间打分，不管是哪面鼓。这只是一首歌，而且是渲染出来的，不是真实录音，所以只能看个大致方向，不能当排名。

哪些音最可能扒错？

对 Basic Pitch 来说，是它以低力度写出的那些音。Basic Pitch 把每个音符的 MIDI 力度设为 127 乘以模型在这个音符上的平均激活值，所以力度同时也是一种置信度。它为 12 段吉他录音一共写了 2,715 个音符，按同样的 50 毫秒窗口匹配，低力度的音大多是错的：

Basic Pitch 扒对的音符比例，按力度分组 12 段吉他录音中的 2,715 个音符

低于 5021%

50–5940%

60–7967%

80–12786%

用力度来区分音符对错，AUC 为 0.77（0.5 相当于抛硬币，1.0 为完美）；换成音符时长只有 0.53，所以音短并不是有用的预警信号。把力度低于 50 的音全部删掉，总体起音 F1 能从 0.744 升到 0.765，可这些音里每五个就有一个是对的。所以 ScoreStarling 的乐谱检查只把它们列为存疑，而不是直接删除，最后交给你的耳朵判断。如果你自己运行 Basic Pitch，在钢琴卷帘里按力度给音符着色或排序，也能得到同样的待查清单。

为什么各家公布的准确率对不上？

因为它们在不同的录音上测的是不同的东西，有的甚至没说明测的是什么。

只有指标、容差和录音都一致时，数字才有可比性。我们测出的 Basic Pitch 成绩可以和它论文里的放在一起看，因为两者都是在 GuitarSet 上算起音 F1，只是子集不同；但不能和 MuScriptor 的放在一起比。ScoreCloud 的页面没说音高准确率是怎么算的、测了多少段录音，也没说时间是否计入。MuScriptor 是一个开放的研究模型，Mirelo 的 Audio-to-MIDI Pro 就是从它发展而来的，Mirelo 称其正式上线的模型更准确。Mirelo 在 2026年9月17日发布的文章中说，更新后的模型“在我们的评估中”提高了音符和乐器识别的准确率，但没有公布具体数字。

音符准了，就能得到好读的乐谱吗？

不能。起音 F1 比的是以秒计时的音符，完全不管写出来的乐谱好不好读。一份乐谱还需要调号、合理的升降号、写出来的休止符、声部和拍号，而 Basic Pitch 这类模型输出的纯 MIDI 一样都没有。基于同样的 Basic Pitch 音符，我们最初的记谱程序在全部 12 个案例中写出的乐谱都没有调号，也看不到休止符；MuseScore Studio 的 MIDI 导入功能则在 12 个案例中有 10 个写出了标注的调，并显示了所有休止符。Mirelo 自己输出的 MusicXML，在它完成的 9 个案例中有 5 个写出了标注的调，而且全都记在单行高音谱表上。

扒谱得分高，乐谱照样可能难读；页面整洁，也照样可能藏着错音。完整的前后对比见《为什么 MIDI 导入 MuseScore 后乱成一团》。

该选哪个扒谱引擎？

看录音来选。以下是我们对这些结果的解读：

• 单件乐器或单条旋律：选 Basic Pitch。它在吉他独奏上遥遥领先，免费开源，而且它的 README 也说一次只处理一件乐器时效果最好。
• 乐队，或者需要分出各个声部或鼓的混音：选 Mirelo 这类多乐器模型，因为 Basic Pitch 只会写出一个合并的声部。
• 吉他伴奏：两个都行。它们的平均分接近，在不同录音上各有胜负；如果选哪个很重要，就拿一小段两个都试试。
• 人声：我们还没有测。钢琴：我们只在合成音频上测过自己的钢琴独奏选项，所以没法给钢琴扒谱引擎排名。

无论用哪个引擎，节奏和音符时值都要用耳朵再核对一遍。上面 10月2日的测量和 10月4日的重测都不包括我们的钢琴独奏选项。ScoreStarling 扒单件乐器或人声用 Basic Pitch，扒钢琴独奏用一个钢琴模型，两者都免费；扒乐队用 Mirelo，需要消耗积分（2026年10月7日核实）。每种都只处理上传文件的前五分钟，文件最大 100 MiB。人声或单件乐器默认按 4/4 拍记谱；钢琴独奏会自己判断拍号；乐队乐谱的拍号由演奏推断，或在开始前选定。吉他、贝斯和尤克里里声部还可以显示为 TAB 谱，但不记推弦、滑音和击弦；详见规格说明。

参考资料

1. GuitarSet 1.1.0——Xi、Bittner、Pauwels、Ye 和 Bello，Zenodo（CC BY 4.0）
2. GuitarSet 项目主页——GuitarSet 作者团队
3. GuitarSet 的 issue 列表——GitHub 上的 marl/GuitarSet
4. Slakh2100——Manilow、Wichern、Seetharaman 和 Le Roux，Zenodo（CC BY 4.0）
5. Cutting Music Source Separation Some Slakh——Manilow 等，WASPAA 2019
6. A Lightweight Instrument-Agnostic Model for Polyphonic Note Transcription and Multipitch Estimation——Bittner 等，Spotify，2022
7. Basic Pitch 及其 note_creation.py——Spotify，GitHub
8. mir_eval.transcription——mir_eval 文档
9. MuScriptor: An Open Model for Multi-Instrument Music Transcription——Rouard 等，2026
10. Audio-to-MIDI Pro: full mixes to editable MIDI——Mirelo，2026年9月17日
11. Audio to MIDI converter 和 Changelog——Mirelo
12. How Accurate Is Automatic Music Transcription?——ScoreCloud

常见问题

AI 能把 MP3 扒成谱吗？

能，可以逐个音符扒成 MIDI，只是会有错要改。Spotify 的 Basic Pitch 这类模型最擅长单件乐器；完整的混音需要多乐器模型，准确率也更低。在我们 2026年10月2日的测试中，成绩最好的一组是 Basic Pitch 扒吉他独奏，起音 F1 为 0.818（ScoreStarling 对它的用法做了两处调整后，10月4日重测为 0.846），所以还是要准备凭耳朵改掉一些音。

Basic Pitch 的准确率够不够出乐谱？

单件乐器出个初稿，够了。在 12 段吉他录音上，只看音符起点时它的起音 F1 为 0.744，把音符结束点也算上就只剩 0.508；而且它输出的 MIDI 没有调号、休止符和声部，得靠记谱这一步补上。《为什么 MIDI 导入 MuseScore 后乱成一团》一文讲了这一步会改动什么。

怎样自己测扒谱的准确率？

你需要一份信得过的参考标注，音符时间以秒为单位。有了它，就可以用开源的 mir_eval 库，按我们用的容差给音符匹配打分：起点 50 毫秒，音高 50 音分，结束点为音符时长的 20% 或 50 毫秒。没有参考标注的话，就把短乐段循环播放，凭耳朵对照乐谱和录音。

为什么 Mirelo 扒某些吉他独奏时一个音都没出？

我们也不知道。2026年10月2日，六段独奏录音中有三段返回了空结果。当时我们没有提供 Mirelo 的可选乐器列表，之后也没有重试。在伴奏上，它的成绩接近 Basic Pitch；在多乐器片段上，它领先。

AI 扒人声或钢琴准不准？

人声方面，我们暂时还给不出自己的数据。钢琴方面，只在合成音频上测过：25 首乐曲的开头几个小节，每首以弹性速度演奏两遍（共 50 段演奏，2026年10月6日测量）。我们基于 Kong 等人钢琴模型的钢琴独奏选项，识别出了约 92% 的谱面音符，但 50 段里只有 35 段的拍子找对了，拍子、拍号和弱起小节全对的只有 26 段。Basic Pitch 的作者把它设计成适用于各种乐器，也包括人声。无论用哪个模型，清晰、干声的单人声或单件乐器录音，都最有机会扒准。