AI 扒譜到底有多準？我們實測了一下

先說結論

出初稿夠用，出成品還不行。2026年10月2日，我們用 12 段公開吉他錄音做了測試：Spotify 開源的 Basic Pitch 起音 F1 達到 0.744，Mirelo 的 Audio-to-MIDI 為 0.471；1.0 意味著每個音符的音高和時間都對，而且沒有一個多餘的音。六段獨奏錄音裡有三段 Mirelo 一個音都沒傳回，但在一段 60 秒的樂團片段上，它以 0.672 比 0.520 領先。音符時長遠不如音符起點可靠；而且這些數字都說明不了寫出來的樂譜好不好讀。

起音 F1（onset F1）衡量的是什麼？

起音 F1 把扒譜結果和參考標註逐個音符比對，漏掉的音和多出來的音同樣扣分。扒出的一個音符，只要音高與某個參考音符相差不超過 50 音分（四分之一音），起點相差不超過 50 毫秒，就算配對成功。每個參考音符只能被配對一次。

配對完會得到兩個比例。精確率是模型寫出的音符中配對成功的比例；召回率是參考音符中被模型找到的比例。F1 是兩者的調和平均數，只要其中一個低，F1 就高不起來。假設一段音樂有 100 個音：一個模型寫了 100 個音，對了 75 個，得分 0.75；另一個模型找到了其中 90 個，卻為此寫了 150 個音，召回率 0.9，精確率 0.6，F1 只有 0.72——多寫的 60 個音拉低了分數。

起止 F1（onset+offset F1）再加一個條件：每個音符的結束點也要落在參考音符時長的 20% 以內，如果 50 毫秒更長，就按 50 毫秒算。Spotify 的 Basic Pitch 論文以起音 F1 為主要指標，因為音符結束點不那麼客觀，論文點出了殘響、延音踏板和標註方式這幾個原因。兩個指標我們都會列出。但兩者都不檢查音符被分給了哪件樂器，也不管調號和節奏該怎麼記。

我們的測試方法

我們用的是 GuitarSet 1.1.0（Xi 等，ISMIR 2018）。這個公開資料集收錄了 360 段約 30 秒的吉他片段：六位吉他手彈奏同樣的 30 份旋律譜，涵蓋五種風格，每份先彈一遍伴奏（comp），再在伴奏之上彈一遍獨奏。錄音用的是六路分弦拾音器（hexaphonic pickup），每根弦各有一路獨立訊號，作者因此能把音符標註基本自動化。

我們選了 12 段完整錄音，每位吉他手一段獨奏、一段伴奏，用的是單聲道麥克風音軌，共 433 秒。選哪幾段在執行任何模型之前就定好了：先排除三段已知標註有誤的錄音（GuitarSet 的 issue #4 和 #5：一個重複的音符和錯誤的時間），再對每位吉他手的每種演奏方式，取「scorestarling-v1:」加檔名的 SHA-256 雜湊值排序最靠前的檔案。下文的逐段結果表列出了挑出的 12 段。

評分用的是 mir_eval 0.8.2，容許誤差採用上文所述的預設值，先逐段計算再取平均，讓每段錄音的權重相同。沒有做任何參數調整：不加時間偏移，不做過濾，也不做對齊平移。Basic Pitch 0.4.0 在一台 Mac 上執行，兩次完整執行的輸出逐位元組一致。Mirelo 的 Audio-to-MIDI API（回報的模型版本為 a2m-1.1）在 2026年10月2日處理了同樣的 12 段錄音，沒有附帶可選的樂器列表；據 Mirelo 的更新紀錄，其 API 自 2026年8月6日起支援這個參數。

以下所有結果都受四點限制：

• Basic Pitch 的論文把 GuitarSet 和 Slakh 列入了訓練資料，所以兩項測試都對它有利。我們無法確認這 12 段 GuitarSet 錄音是否在它的訓練集裡；樂團片段則取自 Slakh 的測試集。
• 12 段吉他錄音加一段 60 秒樂團片段，只是診斷性的小樣本，不是基準測試。人聲和真實錄製的樂團演奏都沒有測；鋼琴只在合成音訊上測過，用的也是另一個模型（見文末問答）。
• 吉他錄音在 Mirelo 上只跑了一次，是在 10月2日。它沒傳回任何音符的那三段，我們也沒有換個方式重試，比如告訴它錄音裡是原聲吉他。樂團片段在 10月5日重新提交了一次，傳回的音符完全相同。
• 這些數字都不評價寫出來的樂譜。像 MV2H 這樣在樂譜層面評分、還會檢查拍號、聲部和時值的指標，我們還沒有測。

ScoreStarling 扒單一樂器或人聲用的是 Basic Pitch，扒樂團用的是我們的合作夥伴 Mirelo，所以我們並不是中立的旁觀者。正因如此，我們在這裡把方法、樣本和限制都寫清楚。

Basic Pitch 和 Mirelo，誰扒吉他更準？

Basic Pitch 勝出：獨奏旋律上遙遙領先，伴奏上小幅領先。

2026年10月4日更新：ScoreStarling 的單一樂器選項做了兩處改動——整體持續偏高或偏低的錄音會先校準到 A440，旋律改為一次只寫一個音——之後我們用同樣的 12 段錄音重測了一遍。獨奏得分 0.846，伴奏 0.679，總體 0.763，算上音符結束點則為 0.522。上表保留的仍是 10月2日單獨執行 Basic Pitch 的結果。

六段獨奏錄音中，有三段 Mirelo 一個音符都沒傳回。這三段在它的獨奏平均分裡按 0 計算，因為使用者拿到的就是空結果；我們也沒有重跑。傳回了音符的那幾段，表現有好有壞。第一段 00_BN3-154-E_solo 上，兩個引擎在音符起點上打成平手（Basic Pitch 0.809，Mirelo 0.814），但 Mirelo 的音符結束點偏差更大（起止 F1 為 0.320，Basic Pitch 為 0.524），還把這首 154 BPM 的曲子判成了約 76.9 BPM，只有原速的一半。伴奏方面，六段裡有兩段 Mirelo 明顯更好。12 段全部算上，它的起止 F1 為 0.224。

Basic Pitch 的 0.744，與作者在他們自己的 GuitarSet 測試集（72 段錄音）上報告的結果相近：起音 F1 為 0.79，算上結束點為 0.56。兩個引擎的速度也不同。Basic Pitch 在一台 Mac 上用 54 秒處理完了 433 秒的音訊，這並不代表正式上線環境的耗時；第一段錄音它用了 6.1 秒，Mirelo 用了 37 秒。

換成整支樂團會怎樣？

混音更難扒，這一回是 Mirelo 領先。我們取了 Slakh2100 測試集中 Track01881 的前 60 秒。Slakh2100 收錄了 2,100 首歌，都是用取樣式虛擬樂器演奏 MIDI 產生的，所以參考音符分毫不差。這一分鐘裡，鋼弦吉他、爵士吉他、鋼琴、貝斯、顫音琴和鼓都有演奏。把所有有音高的樂器合在一起算、不管音符被分給了哪件樂器，並以兩個引擎各自傳回的 MIDI 檔案評分，Basic Pitch 的起音 F1 為 0.520，Mirelo 為 0.672。

Basic Pitch 只輸出一個合併的聲部，也不寫鼓。Mirelo 為每件樂器各寫一個聲部，所以只有 Mirelo 能按樂器評分，這裡按 General MIDI 的樂器類別分組：

Mirelo 各樂器的起音 F1 一段 60 秒樂團片段，0 到 1

鋼琴0.827

鼓0.698

吉他0.681

貝斯0.455

顫音琴0.137

要把兩把吉他區分開就更難了。按 10月2日 Mirelo 傳回的音符列表逐聲部評分，鋼弦吉他為 0.364，爵士吉他為 0.148；MIDI 檔案裡的音符比這份列表早約 20 毫秒開始，所以按 MIDI 算出的數字略有不同。Mirelo 還給歌曲裡根本沒有的樂器報了 92 個音：管風琴、合成器鋪底音色（pad）、小提琴和大提琴。鼓點只按時間評分，不管是哪面鼓。這只是一首歌，而且是由 MIDI 產生的，不是實際錄音，所以只能看個大致方向，不能當排名。

哪些音最可能扒錯？

對 Basic Pitch 來說，是它以低力度寫出的那些音。Basic Pitch 把每個音符的 MIDI 力度設為 127 乘以模型在這個音符上的平均活化值，所以力度同時也是一種信心分數。它為 12 段吉他錄音一共寫了 2,715 個音符，按同樣的 50 毫秒時間窗比對，低力度的音大多是錯的：

Basic Pitch 扒對的音符比例，按力度分組 12 段吉他錄音中的 2,715 個音符

低於 5021%

50–5940%

60–7967%

80–12786%

用力度來區分音符對錯，AUC 為 0.77（0.5 相當於擲硬幣，1.0 為完美）；換成音符時長只有 0.53，所以音短並不是有用的預警訊號。把力度低於 50 的音全部刪掉，總體起音 F1 能從 0.744 升到 0.765，可這些音裡每五個就有一個是對的。所以 ScoreStarling 的樂譜檢查只把它們列為存疑，而不是直接刪除，最後交給你的耳朵判斷。如果你自己執行 Basic Pitch，在鋼琴捲軸裡按力度給音符著色或排序，也能得到同樣的待查清單。

為什麼各家公布的準確率對不上？

因為它們在不同的錄音上測的是不同的東西，有的甚至沒說明測的是什麼。

只有指標、容許誤差和錄音都一致時，數字才有可比性。我們測出的 Basic Pitch 成績可以和它論文裡的放在一起看，因為兩者都是在 GuitarSet 上算起音 F1，只是子集不同；但不能和 MuScriptor 的放在一起比。ScoreCloud 的頁面沒說音高準確率是怎麼算的、測了多少段錄音，也沒說時間是否計入。MuScriptor 是一個開放的研究模型，Mirelo 的 Audio-to-MIDI Pro 就是從它發展而來的，Mirelo 稱其正式上線的模型更準確。Mirelo 在 2026年9月17日發表的文章中說，更新後的模型「在我們的評估中」提高了音符和樂器辨識的準確率，但沒有公布具體數字。

音符準了，就能得到好讀的樂譜嗎？

不能。起音 F1 比的是以秒計時的音符，完全不管寫出來的樂譜好不好讀。一份樂譜還需要調號、合理的升降號、寫出來的休止符、聲部和拍號，而 Basic Pitch 這類模型輸出的純 MIDI 一樣都沒有。基於同樣的 Basic Pitch 音符，我們最初的記譜程式在全部 12 個案例中寫出的樂譜都沒有調號，也看不到休止符；MuseScore Studio 的 MIDI 匯入功能則在 12 個案例中有 10 個寫出了標註的調，並顯示了所有休止符。Mirelo 自己輸出的 MusicXML，在它完成的 9 個案例中有 5 個寫出了標註的調，而且全都記在單行高音譜表上。

扒譜得分高，樂譜照樣可能難讀；頁面整潔，也照樣可能藏著錯音。完整的前後比較見《為什麼 MIDI 匯入 MuseScore 後亂成一團》。

該選哪個扒譜引擎？

看錄音來選。以下是我們對這些結果的解讀：

• 單一樂器或單條旋律：選 Basic Pitch。它在吉他獨奏上遙遙領先，免費開源，而且它的 README 也說一次只處理一件樂器時效果最好。
• 樂團，或者需要分出各個聲部或鼓的混音：選 Mirelo 這類多樂器模型，因為 Basic Pitch 只會寫出一個合併的聲部。
• 吉他伴奏：兩個都行。它們的平均分接近，在不同錄音上各有勝負；如果選哪個很重要，就拿一小段兩個都試試。
• 人聲：我們還沒有測。鋼琴：我們只在合成音訊上測過自己的鋼琴獨奏選項，所以沒法給鋼琴扒譜引擎排名。

無論用哪個引擎，節奏和音符時值都要用耳朵再核對一遍。上面 10月2日的測量和 10月4日的重測都不包括我們的鋼琴獨奏選項。ScoreStarling 扒單一樂器或人聲用 Basic Pitch，扒鋼琴獨奏用一個鋼琴模型，兩者都免費；扒樂團用 Mirelo，需要消耗點數（2026年10月7日核實）。每種都只處理上傳檔案的前五分鐘，檔案最大 100 MiB。人聲或單一樂器預設按 4/4 拍記譜；鋼琴獨奏會自己判斷拍號；樂團樂譜的拍號由演奏推斷，或在開始前選定。吉他、貝斯和烏克麗麗聲部也可以顯示為 TAB 譜，但不記推弦、滑音和搥弦；詳見規格說明。

參考資料

1. GuitarSet 1.1.0——Xi、Bittner、Pauwels、Ye 和 Bello，Zenodo（CC BY 4.0）
2. GuitarSet 專案網站——GuitarSet 作者團隊
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 說明文件
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

常見問題

AI 能把 MP3 扒成譜嗎？

能，可以逐個音符扒成 MIDI，只是會有錯要改。Spotify 的 Basic Pitch 這類模型最擅長單一樂器；完整的混音需要多樂器模型，準確率也更低。在我們 2026年10月2日的測試中，成績最好的一組是 Basic Pitch 扒吉他獨奏，起音 F1 為 0.818（ScoreStarling 對它的用法做了兩處調整後，10月4日重測為 0.846），所以還是要準備憑耳朵改掉一些音。

Basic Pitch 的準確率夠不夠出樂譜？

單一樂器出個初稿，夠了。在 12 段吉他錄音上，只看音符起點時它的起音 F1 為 0.744，把音符結束點也算上就只剩 0.508；而且它輸出的 MIDI 沒有調號、休止符和聲部，得靠記譜這一步補上。《為什麼 MIDI 匯入 MuseScore 後亂成一團》一文講了這一步會改動什麼。

怎樣自己測扒譜的準確率？

你需要一份信得過的參考標註，音符時間以秒為單位。有了它，就能用開源的 mir_eval 函式庫，依我們採用的容許誤差替音符配對評分：起點 50 毫秒，音高 50 音分，結束點為音符時長的 20% 或 50 毫秒。沒有參考標註的話，就把短樂段重複播放，憑耳朵對照樂譜和錄音。

為什麼 Mirelo 扒某些吉他獨奏時一個音都沒出？

我們也不知道。2026年10月2日，六段獨奏錄音中有三段傳回了空結果。當時我們沒有提供 Mirelo 的可選樂器列表，之後也沒有重試。在伴奏上，它的成績接近 Basic Pitch；在多樂器片段上，它領先。

AI 扒人聲或鋼琴準不準？

人聲方面，我們暫時還給不出自己的數據。鋼琴方面，只在合成音訊上測過：25 首樂曲的開頭幾個小節，每首以彈性速度演奏兩遍（共 50 段演奏，2026年10月6日測量）。我們以 Kong 等人的鋼琴模型為基礎的鋼琴獨奏選項，辨識出了約 92% 的譜面音符，但 50 段裡只有 35 段的拍子找對了，拍子、拍號和弱起小節全對的只有 26 段。Basic Pitch 的作者把它設計成適用於各種樂器，也包括人聲。無論用哪個模型，清晰、乾聲的單一人聲或單一樂器錄音，都最有機會扒準。