从图片到 MusicXML
OMR 的输出为什么必须是结构化的,而不是一张更干净的图。
- 谱面要素:谱号、调号、拍号、音符与力度
- 识别结果的校验与常见误差来源
- 从识别输出到可演奏序列
技术洞察 / INSIGHTS
这一页讲清我们到底在做什么工程:一份谱如何被机器读懂,读懂之后能长出哪些能力, 以及哪些事我们现在还做不到。技术事实如实写,尚未发生的合作案例留成可替换的内容位。
四步,从纸到可计算。稀缺的是第二步,也是韵智曲谱在做的事。
大量曲谱仍是纸质或图片,分散在私人收藏与机构档案里。它们是原料,不是数据。
把谱面还原成音符、时值、调性、力度,输出为 MusicXML。这一步决定数据中心能长多大。
统一存储、校验与索引,形成可编辑、可改编、可持续增长的曲谱资产。
自然语言、图像、音频找谱,以及点音符、试听、移调这些真正被用起来的交互。
这条链路不是一次走完的,而是一个不断转起来的循环:曲谱是一点一点积累起来的, 仅靠人工整理太慢,于是我们先做了韵智曲谱——它是唯一往数据中心写入曲谱的产品, 也是第一个完成的产品。库越大,下游的检索、练琴与分轨体验才越有价值; 而库要继续变大,又反过来要求识别更准、更快。
一段旋律,写在五条线上
<score-partwise version="4.0">
<part id="P1">
<measure number="1">
<attributes>
<divisions>1</divisions>
<key><fifths>0</fifths></key>
<time><beats>4</beats>
<beat-type>4</beat-type></time>
</attributes>
<note>
<pitch><step>C</step>
<octave>4</octave></pitch>
<duration>1</duration>
<type>quarter</type>
</note>
<!-- …后面每个音符都一样可解析 -->
</measure>
</part>
</score-partwise>
每个音名、时值、调号都是字段
示意片段采用标准 MusicXML 结构。真实的识别结果可以直接在 曲谱库里点开每一个音符查看。
计划中的三篇长文。下面是章节骨架,不是结论;正文待补齐。
OMR 的输出为什么必须是结构化的,而不是一张更干净的图。
当谱面变成字段,检索才可能从「找文件名」变成「找一段旋律」。
同一份数据,如何变成练习谱、分谱与展陈里的互动内容。
能说清的写清适用条件,说不清的不硬凑数字。以下是阶段性现状,我们正在持续优化。
电子版 / 清晰扫描版的识别准确率通常可达 90% 以上,更适合直接提交;手机拍照受倾斜、阴影、反光与模糊影响,会明显偏低,暂不建议使用。
识别效果随稿件质量变化,无法保证 100% 完美,建议识别后人工校对关键音符与节奏。
公司自有的曲谱资源已积累十万量级,属于内部基建,为音韵矩阵、谱韵随行、Midi 分轨钢琴等产品提供数据支撑。
曲谱是一点一点积累起来的,韵智曲谱正是为了持续扩展这座库而开发。
第一个完成的产品是韵智曲谱,目前尚未正式推广,因此这里不列用户量与案例; 后续若有可授权公开的机构合作场景,欢迎 联系我们补充。
把能力边界写在明处,比多写一句宣传语有用。
图片能给人看,但机器读不出「这是哪个音、占几拍」。MusicXML 把音名、时值、调性、 力度都写成字段,才能移调、分谱、试听、被检索,也才能在不同终端上重新排版。 我们的目标不是把谱存下来,是让谱可以被计算。
识别输出是可编辑的 MusicXML,但任何 OMR 都可能对模糊、手写或复杂排版产生误差, 正式使用前建议人工校对。我们更愿意把「需要校对」说在前面,而不是给一个漂亮的准确率数字。 可以在 韵智曲谱 用自己的谱实际试一次。
电子版 / 清晰扫描版更适合直接提交识别;手机拍照受倾斜、阴影、反光与模糊影响, 识别准确率会明显偏低,暂不建议使用。识别效果随稿件质量变化,无法保证 100% 完美。
受当前算力限制,识别速度仍偏慢;同时最多进行 3 个任务,单次最多提交 5 页。 以上仅为阶段性现状,我们正在持续优化中。可以到 韵智曲谱 用自己的谱实际试一次。
面向机构、学校、图书馆的私有化部署是「音韵矩阵」规划中的能力(研发中), 目标是数据留在合作方服务器上。现有可立即使用的是韵智曲谱识别服务; 具体场景、前置条件与可承接范围请 联系我们 逐项沟通。