這項由倫敦瑪麗女王大學(xué)的馬英豪、李思優(yōu)、于俊濤和埃曼努爾·貝內(nèi)托斯教授，以及日本雅馬哈公司的前澤明研究員共同完成的研究，發(fā)表于2025年6月的第26屆國際音樂信息檢索會議。感興趣的讀者可以通過論文編號arXiv:2506.12285v1獲取完整研究內(nèi)容。

想象一下，如果有人聲稱自己是音樂天才，能夠聽懂任何音樂并回答相關(guān)問題，你會如何測試他們？你可能會播放一首歌，然后問："這是什么調(diào)？"、"歌手用了什么演唱技巧？"或者"請描述一下這首歌的情感"。如果這個人真的很厲害，應(yīng)該能準(zhǔn)確回答這些問題。

現(xiàn)在，人工智能領(lǐng)域也面臨著同樣的考驗。隨著越來越多的AI模型聲稱能夠理解音樂，科學(xué)家們迫切需要一套公平、全面的"考試系統(tǒng)"來驗證這些模型的真實能力。這就像為所有聲稱懂音樂的AI設(shè)計一場統(tǒng)一的"音樂理解能力測試"。

這項研究的核心貢獻在于創(chuàng)建了一個名為CMI-Bench的全新評測基準(zhǔn)。這個基準(zhǔn)就像是音樂AI領(lǐng)域的"高考"，包含了14個不同類型的音樂任務(wù)，覆蓋了從基礎(chǔ)音樂理論到復(fù)雜音樂分析的各個方面。研究團隊將這個測試應(yīng)用到11個目前最先進的音樂AI模型上，結(jié)果令人意外：這些號稱能夠理解音樂的AI模型，在很多基礎(chǔ)任務(wù)上的表現(xiàn)都遠不如傳統(tǒng)的專業(yè)音樂分析軟件。

更值得關(guān)注的是，研究還發(fā)現(xiàn)了這些AI模型存在明顯的文化偏見和性別偏見。比如，它們在識別西方樂器時表現(xiàn)較好，但在處理世界音樂傳統(tǒng)樂器時就顯得力不從心。這個發(fā)現(xiàn)對于音樂AI的未來發(fā)展具有重要意義，因為真正的音樂智能應(yīng)該是包容和公平的。

一、音樂AI面臨的"誠信危機"

近年來，隨著大型語言模型在文本理解方面取得巨大成功，研究者們開始嘗試將這種技術(shù)擴展到音頻和音樂理解領(lǐng)域。就像學(xué)會了閱讀的人想要學(xué)會聽音樂一樣，這些AI模型試圖從單純的文字理解者轉(zhuǎn)變?yōu)槟軌蛱幚砺曇艉鸵魳返亩嗝媸帧?/p>

這種轉(zhuǎn)變看起來很自然，但實際上充滿了挑戰(zhàn)。傳統(tǒng)的文本AI就像一個只會看書的學(xué)者，現(xiàn)在突然要求它們不僅要讀懂文字，還要聽懂音樂、理解情感、識別樂器，甚至要能夠分析復(fù)雜的音樂結(jié)構(gòu)。這就好比要求一個只會下棋的高手突然去踢足球——雖然都需要策略思維，但具體技能完全不同。

目前市面上已經(jīng)出現(xiàn)了多種聲稱具備音樂理解能力的AI模型，如MusiLingo、Qwen-Audio、SALMONN等。這些模型的開發(fā)者都聲稱自己的系統(tǒng)能夠理解音樂、回答音樂相關(guān)問題，甚至能夠進行音樂創(chuàng)作。然而，問題在于，目前還沒有一個統(tǒng)一、公正的標(biāo)準(zhǔn)來驗證這些聲明的真實性。

這種情況就像是汽車市場上，每個廠商都聲稱自己的車最省油、最安全，但沒有統(tǒng)一的測試標(biāo)準(zhǔn)。有些廠商可能在高速公路上測試油耗，有些在市區(qū)測試，有些甚至在實驗室的理想條件下測試。這樣的結(jié)果當(dāng)然無法進行公平比較。

音樂AI領(lǐng)域面臨的問題更加復(fù)雜?，F(xiàn)有的評測方法大多局限于簡單的多選題或者音樂描述任務(wù)，就像只用選擇題來測試一個音樂學(xué)生的能力一樣。真正的音樂理解需要涉及節(jié)拍識別、調(diào)性分析、情感理解、樂器識別等多個維度，這些都需要更加精細和專業(yè)的評測方法。

更重要的是，許多現(xiàn)有評測都是在模型訓(xùn)練時已經(jīng)見過的數(shù)據(jù)上進行的，這就像讓學(xué)生用練習(xí)冊上的原題來參加考試。這種做法無法真正反映模型在面對全新音樂時的理解能力，也無法揭示模型可能存在的偏見和局限性。

二、革命性的音樂AI測試體系

面對這些挑戰(zhàn)，研究團隊開發(fā)了CMI-Bench這一全新的評測基準(zhǔn)。這個系統(tǒng)就像是為音樂AI設(shè)計的一套完整的"國際標(biāo)準(zhǔn)化考試"，不僅考查范圍全面，而且評分標(biāo)準(zhǔn)嚴(yán)格統(tǒng)一。

CMI-Bench的設(shè)計理念可以用烹飪比賽來類比。如果要評判廚師的水平，你不能只讓他們做一道菜，而是要讓他們展示各種技能：切菜、調(diào)味、火候控制、擺盤等等。同樣，CMI-Bench包含了14個不同的音樂任務(wù)，就像14道不同的考題，全方位測試AI模型的音樂理解能力。

這些任務(wù)涵蓋了音樂理解的各個層面。在基礎(chǔ)識別方面，系統(tǒng)會測試AI能否正確識別音樂的調(diào)性，這就像測試一個人能否識別顏色一樣基礎(chǔ)但重要。在情感理解方面，系統(tǒng)會要求AI評估音樂的情緒強度，從1到9分打分，就像問一個人"這首歌讓你感覺有多興奮"。

更高級的任務(wù)包括樂器識別、歌詞轉(zhuǎn)錄、節(jié)拍追蹤等。歌詞轉(zhuǎn)錄任務(wù)就像聽寫一樣，AI需要準(zhǔn)確地將歌手唱的內(nèi)容轉(zhuǎn)換為文字。節(jié)拍追蹤則要求AI找出音樂中每個節(jié)拍出現(xiàn)的精確時間點，這對于理解音樂的結(jié)構(gòu)至關(guān)重要。

最具挑戰(zhàn)性的任務(wù)是音樂描述生成，AI需要用自然語言描述一段音樂，就像音樂評論家寫樂評一樣。這不僅需要技術(shù)識別能力，還需要語言表達能力和對音樂文化的理解。

研究團隊特別注重評測的公平性和科學(xué)性。他們采用了與傳統(tǒng)音樂信息檢索研究完全相同的評價標(biāo)準(zhǔn)，這意味著AI模型的表現(xiàn)可以直接與專業(yè)的音樂分析軟件進行比較。這就像使用相同的尺子來測量不同的物體，確保比較結(jié)果的客觀性。

在數(shù)據(jù)來源方面，CMI-Bench使用了20個不同的音樂數(shù)據(jù)集，包含超過45000個測試樣本。這些數(shù)據(jù)涵蓋了從古典音樂到流行音樂，從西方音樂到世界音樂的各種風(fēng)格。這種多樣性確保了測試的全面性，就像一場真正的考試應(yīng)該涵蓋課程的所有重要內(nèi)容一樣。

為了確保測試的實用性，研究團隊還開發(fā)了一套完整的評測工具包，支持所有主流的開源音頻文本AI模型。這意味著任何研究者都可以使用這套系統(tǒng)來測試自己的模型，就像有了一個標(biāo)準(zhǔn)化的考試平臺。

三、令人意外的測試結(jié)果

當(dāng)研究團隊將11個目前最先進的音樂AI模型放到CMI-Bench上進行測試時，結(jié)果令人大跌眼鏡。這些在宣傳中表現(xiàn)優(yōu)異的模型，在標(biāo)準(zhǔn)化測試中的表現(xiàn)遠遠低于預(yù)期，就像一群平時成績不錯的學(xué)生在真正的標(biāo)準(zhǔn)化考試中暴露了基礎(chǔ)不牢的問題。

在基礎(chǔ)音樂理解任務(wù)上，幾乎所有的AI模型都遠遠落后于傳統(tǒng)的專業(yè)音樂分析系統(tǒng)。以調(diào)性識別為例，最好的AI模型準(zhǔn)確率只有大約75%，而傳統(tǒng)的專業(yè)軟件可以達到90%以上。這就像一個聲稱懂音樂的人，在基本的"這是C大調(diào)還是G大調(diào)"的問題上經(jīng)常出錯。

更令人擔(dān)憂的是情感回歸任務(wù)的結(jié)果。研究團隊要求AI模型在1到9的量表上評估音樂的情感強度，結(jié)果所有模型的表現(xiàn)都是負數(shù)，這意味著它們的預(yù)測還不如隨機猜測。這就像讓一個人評估電影的精彩程度，結(jié)果他的判斷比閉眼亂選還要糟糕。

在歌詞轉(zhuǎn)錄任務(wù)上，盡管一些模型使用了專業(yè)的語音識別技術(shù)，但它們在處理歌唱語音時的表現(xiàn)仍然很差。最好的模型的詞錯誤率也達到了100%以上，這意味著它們轉(zhuǎn)錄出來的歌詞幾乎完全不正確。這個結(jié)果特別令人意外，因為這些模型中有些專門針對語音處理進行了優(yōu)化。

在需要精確時間定位的任務(wù)上，如節(jié)拍追蹤和旋律提取，AI模型的表現(xiàn)更加糟糕。這些任務(wù)需要模型不僅要理解音樂內(nèi)容，還要準(zhǔn)確定位時間點，就像要求一個人不僅要聽懂音樂，還要準(zhǔn)確地按節(jié)拍鼓掌。結(jié)果顯示，大多數(shù)模型在這類任務(wù)上的得分接近于零。

然而，在音樂描述生成任務(wù)上，一些模型表現(xiàn)相對較好。Qwen2-Audio在音樂描述方面的表現(xiàn)接近傳統(tǒng)方法，能夠生成相對合理的音樂描述文本。這說明這些模型在語言生成方面確實有一定優(yōu)勢，但在精確的音樂分析方面還有很大差距。

研究還發(fā)現(xiàn)了一個有趣的現(xiàn)象：許多模型的最佳表現(xiàn)往往出現(xiàn)在它們訓(xùn)練時見過的數(shù)據(jù)類型上。例如，Qwen2-Audio在MTG-Jamendo相關(guān)任務(wù)上表現(xiàn)最好，而這個數(shù)據(jù)集正是它訓(xùn)練時使用過的。MusiLingo則在MusicCaps任務(wù)上表現(xiàn)突出，這也是它的訓(xùn)練數(shù)據(jù)來源。這種現(xiàn)象表明，這些模型可能只是在"背答案"，而不是真正理解音樂。

這就像一個學(xué)生只會做練習(xí)冊上的題目，一旦遇到新的題目類型就束手無策。這種缺乏泛化能力的表現(xiàn)，嚴(yán)重質(zhì)疑了這些模型的實際應(yīng)用價值。

四、深層次的偏見問題浮出水面

除了整體表現(xiàn)不佳外，研究還揭示了這些音樂AI模型存在的深層次偏見問題，這些偏見可能會影響它們在實際應(yīng)用中的公平性和包容性。

在樂器識別任務(wù)上，研究團隊發(fā)現(xiàn)了明顯的文化偏見。幾乎所有模型在識別鋼琴、小提琴、手風(fēng)琴等西方傳統(tǒng)樂器時表現(xiàn)相對較好，但在處理邦戈鼓、口琴等常見于世界音樂中的樂器時表現(xiàn)明顯下降。這種偏見就像一個只熟悉西餐的廚師，在評判中式菜肴時往往會有失公允。

這種文化偏見在音樂風(fēng)格識別上表現(xiàn)得更加明顯。模型在識別80年代、90年代流行音樂等主流西方音樂風(fēng)格時表現(xiàn)較好，但在面對波薩諾瓦、凱爾特音樂、香頌、民族音樂等非主流或非西方音樂風(fēng)格時，表現(xiàn)顯著下降。研究數(shù)據(jù)顯示，Audio-Flamingo在處理波薩諾瓦和香頌音樂時的識別準(zhǔn)確率大幅下降，而Qwen2-Audio雖然在某些小眾風(fēng)格上稍好一些，但仍然存在明顯的性能差距。

更加值得關(guān)注的是，研究發(fā)現(xiàn)了明顯的性別偏見。在聲音標(biāo)簽識別任務(wù)上，Audio-Flamingo在識別女性聲音方面始終優(yōu)于男性聲音，這種差異不僅體現(xiàn)在整體性能上，還表現(xiàn)在具體的評價指標(biāo)上。而Qwen2-Audio則呈現(xiàn)出不同的模式：雖然在ROC-AUC指標(biāo)上對女性標(biāo)簽表現(xiàn)更好，但在PR-AUC指標(biāo)上卻相對較差，這表明該模型雖然能正確排序，但在絕對預(yù)測方面缺乏校準(zhǔn)。

這些偏見問題的根源很可能在于訓(xùn)練數(shù)據(jù)的不平衡。就像一個只見過特定地區(qū)食物的人很難準(zhǔn)確評判其他地區(qū)的美食一樣，這些AI模型在訓(xùn)練過程中主要接觸的是西方主流音樂，因此在處理其他文化背景的音樂時表現(xiàn)不佳。

這種偏見在實際應(yīng)用中可能會產(chǎn)生嚴(yán)重后果。如果這些模型被用于音樂推薦系統(tǒng)或音樂教育平臺，它們可能會系統(tǒng)性地低估或誤判非西方音樂的價值，從而加劇文化不平等。同樣，性別偏見可能會影響對不同性別藝術(shù)家作品的公平評價。

研究團隊通過細致的分析發(fā)現(xiàn)，這些偏見不是偶然現(xiàn)象，而是系統(tǒng)性的問題。這提醒我們，在開發(fā)音樂AI系統(tǒng)時，不僅要關(guān)注技術(shù)性能，更要關(guān)注公平性和包容性。

五、技術(shù)局限性的深度剖析

通過詳細分析測試結(jié)果，研究團隊發(fā)現(xiàn)了當(dāng)前音樂AI模型的幾個關(guān)鍵技術(shù)局限性，這些問題解釋了為什么這些模型在實際測試中表現(xiàn)不佳。

首先是指令理解和格式遵循的問題。許多模型雖然聲稱能夠理解自然語言指令，但在面對具體的音樂分析任務(wù)時，經(jīng)常無法按照要求的格式輸出結(jié)果。比如在節(jié)拍追蹤任務(wù)中，模型被要求輸出"0.1s, 1.19s, 2.25s"這樣的時間戳格式，但很多模型要么完全忽略格式要求，要么輸出無法解析的內(nèi)容。這就像一個學(xué)生明明知道數(shù)學(xué)公式，但在考試時總是忘記寫單位或者計算步驟。

更嚴(yán)重的是，一些模型表現(xiàn)出了"過度依賴示例"的問題。研究發(fā)現(xiàn)，Qwen-Audio在處理節(jié)拍追蹤任務(wù)時，經(jīng)常直接復(fù)制指令中給出的示例，而不是分析實際的音頻內(nèi)容。這種行為就像一個學(xué)生在考試時不分析題目，而是直接抄寫例題的答案，顯然無法反映真實的理解能力。

在情感分析任務(wù)上，所有模型都表現(xiàn)出了嚴(yán)重的校準(zhǔn)問題。雖然研究團隊提供了詳細的評分標(biāo)準(zhǔn)和示例，但模型的輸出往往集中在某些數(shù)值附近，缺乏對情感強度的細致區(qū)分。更糟糕的是，當(dāng)模型無法給出有效答案時，系統(tǒng)設(shè)置的默認值（數(shù)據(jù)集均值）往往比模型的實際預(yù)測更準(zhǔn)確，這說明模型在這個任務(wù)上的表現(xiàn)確實糟糕得令人難以置信。

序列化任務(wù)（如旋律提取、演奏技巧檢測）對所有模型來說都是巨大的挑戰(zhàn)。這類任務(wù)需要模型不僅理解音樂內(nèi)容，還要準(zhǔn)確輸出時間序列信息。研究發(fā)現(xiàn)，模型在這些任務(wù)上的失敗主要有兩個原因：一是輸出格式的多樣性和模糊性降低了一致性，二是大多數(shù)模型在預(yù)訓(xùn)練階段缺乏足夠的時間戳標(biāo)注數(shù)據(jù)。

特別值得注意的是，即使是那些在訓(xùn)練時使用了Whisper等專業(yè)語音識別組件的模型，在歌詞轉(zhuǎn)錄任務(wù)上的表現(xiàn)也遠低于預(yù)期。這個結(jié)果令人困惑，因為理論上這些模型應(yīng)該能夠利用其語音識別能力來處理歌唱內(nèi)容。然而，歌唱語音與普通語音的差異，以及音樂背景的干擾，顯然超出了這些模型的處理能力。

另一個重要發(fā)現(xiàn)是提示詞敏感性問題。研究發(fā)現(xiàn)，當(dāng)移除訓(xùn)練時使用的特定任務(wù)標(biāo)記（如"<|pitch|><|midi_pitch|>piano"）時，某些模型的性能會顯著下降。這說明這些模型可能過度依賴特定的提示格式，缺乏對自然語言指令的靈活理解能力。

六、突破口與改進方向

盡管測試結(jié)果整體令人失望，但研究也為未來的改進指明了方向。通過深入分析成功案例和失敗模式，研究團隊識別出了幾個關(guān)鍵的改進方向。

在音樂描述生成任務(wù)上，一些模型表現(xiàn)相對較好，這表明當(dāng)前的大型語言模型在音樂語言生成方面確實具有一定優(yōu)勢。Qwen2-Audio能夠生成相對合理的音樂描述，雖然有時會出現(xiàn)事實錯誤，但整體的語言流暢性和邏輯性都不錯。這個成功案例說明，結(jié)合音頻理解和語言生成的方法是有前景的，關(guān)鍵是如何提高音頻理解的準(zhǔn)確性。

對于序列化任務(wù)的改進，研究提出了幾個可能的方向。首先是增加時間戳標(biāo)注數(shù)據(jù)的訓(xùn)練，讓模型在預(yù)訓(xùn)練階段就接觸更多帶有精確時間信息的音頻數(shù)據(jù)。其次是改進輸出格式的標(biāo)準(zhǔn)化，通過更嚴(yán)格的格式約束來提高輸出的一致性和可解析性。

針對文化偏見問題，研究建議在訓(xùn)練數(shù)據(jù)中增加更多樣化的音樂內(nèi)容，特別是非西方音樂傳統(tǒng)和小眾音樂風(fēng)格。這不僅有助于提高模型的包容性，也能增強其在不同音樂背景下的泛化能力。同時，需要開發(fā)專門的偏見檢測和緩解技術(shù)，確保模型在不同文化背景下的公平性。

在技術(shù)架構(gòu)方面，研究建議探索更好的音頻編碼方法和多模態(tài)融合技術(shù)。當(dāng)前的模型大多采用相對簡單的音頻特征提取方法，可能無法充分捕捉音樂的復(fù)雜性。開發(fā)專門針對音樂的編碼器，或者改進現(xiàn)有編碼器的音樂理解能力，可能是提高性能的關(guān)鍵。

對于指令遵循問題，研究建議加強模型的指令理解訓(xùn)練，特別是在音樂特定任務(wù)上的指令遵循能力。這可能需要開發(fā)專門的音樂指令數(shù)據(jù)集，并采用更好的訓(xùn)練策略來提高模型的格式遵循能力。

研究還強調(diào)了評測標(biāo)準(zhǔn)化的重要性。CMI-Bench的成功表明，統(tǒng)一的評測標(biāo)準(zhǔn)對于推動領(lǐng)域發(fā)展具有重要意義。未來需要繼續(xù)完善和擴展這種評測基準(zhǔn)，涵蓋更多的音樂任務(wù)和更廣泛的音樂風(fēng)格。

七、對音樂AI未來的深遠影響

這項研究的意義遠不止于揭示當(dāng)前模型的不足，它實際上為整個音樂AI領(lǐng)域的發(fā)展提供了重要的指導(dǎo)方向和警示。

首先，這項研究明確了音樂AI發(fā)展的現(xiàn)實起點。過去，很多研究和商業(yè)宣傳往往夸大了模型的實際能力，創(chuàng)造了不切實際的期望。CMI-Bench的測試結(jié)果提供了一個客觀的基準(zhǔn)線，讓我們清楚地知道當(dāng)前技術(shù)的真實水平。這種實事求是的態(tài)度對于制定合理的研發(fā)目標(biāo)和投資決策至關(guān)重要。

其次，研究強調(diào)了跨學(xué)科合作的重要性。音樂AI不僅是計算機科學(xué)問題，更涉及音樂學(xué)、認知科學(xué)、文化研究等多個領(lǐng)域。要開發(fā)真正有效的音樂AI系統(tǒng)，需要計算機科學(xué)家與音樂專家、文化學(xué)者密切合作，確保技術(shù)發(fā)展既符合科學(xué)原理，又尊重音樂文化的多樣性。

在商業(yè)應(yīng)用方面，這項研究提醒開發(fā)者和用戶都要對當(dāng)前音樂AI的能力保持清醒認識。雖然這些系統(tǒng)在某些簡單任務(wù)上可能表現(xiàn)尚可，但在需要精確分析或處理復(fù)雜音樂內(nèi)容時，仍然存在明顯局限。這意味著在關(guān)鍵應(yīng)用場景中，仍然需要人工專家的參與和監(jiān)督。

研究還為音樂教育領(lǐng)域提供了重要啟示。隨著AI技術(shù)在教育中的應(yīng)用越來越廣泛，了解這些技術(shù)的局限性對于教育工作者來說至關(guān)重要。在使用音樂AI工具進行教學(xué)時，需要明確其適用范圍，避免在超出其能力范圍的任務(wù)上過度依賴。

在文化保護和傳承方面，研究發(fā)現(xiàn)的文化偏見問題提醒我們，AI技術(shù)可能會無意中加劇文化不平等。這要求我們在開發(fā)音樂AI系統(tǒng)時，必須從一開始就考慮文化多樣性和包容性，確保技術(shù)進步不會以犧牲文化多元化為代價。

對于政策制定者來說，這項研究提供了重要的參考依據(jù)。在制定AI相關(guān)政策時，需要考慮到AI系統(tǒng)可能存在的偏見和局限性，建立相應(yīng)的監(jiān)管框架和質(zhì)量標(biāo)準(zhǔn)。特別是在涉及文化內(nèi)容的AI應(yīng)用中，需要特別關(guān)注公平性和包容性問題。

研究還為投資和商業(yè)決策提供了指導(dǎo)。雖然音樂AI是一個充滿潛力的領(lǐng)域，但投資者和企業(yè)需要對技術(shù)發(fā)展的時間表保持現(xiàn)實的預(yù)期。當(dāng)前的技術(shù)距離真正的音樂智能還有相當(dāng)距離，需要持續(xù)的研發(fā)投入和技術(shù)突破。

最后，這項研究為學(xué)術(shù)界提供了明確的研究方向。CMI-Bench不僅是一個評測工具，更是一個研究路線圖，指出了音樂AI領(lǐng)域最需要解決的核心問題。這將有助于集中研究資源，推動更有針對性的技術(shù)創(chuàng)新。

說到底，這項研究就像是給音樂AI領(lǐng)域拍了一張"現(xiàn)狀照片"，雖然照片中的形象可能不如我們期望的那么完美，但這種誠實的自我審視正是科學(xué)進步的必要步驟。正如一句老話所說，"知己知彼，百戰(zhàn)不殆"，只有清楚地了解當(dāng)前的能力和局限，我們才能制定出真正有效的改進策略。

這項研究的價值不在于批評現(xiàn)有技術(shù)，而在于為未來發(fā)展指明方向。它告訴我們，音樂AI的道路還很長，但方向是明確的：我們需要更包容、更準(zhǔn)確、更智能的系統(tǒng)，能夠真正理解和欣賞音樂的豐富性和多樣性。這個目標(biāo)值得我們?yōu)橹?，也值得我們保持耐心和理性的期待?/p>

Q&A

Q1：CMI-Bench是什么？它有什么作用？ A：CMI-Bench是由倫敦瑪麗女王大學(xué)開發(fā)的音樂AI評測基準(zhǔn)，就像音樂AI的"標(biāo)準(zhǔn)化考試"。它包含14個不同的音樂任務(wù)，用來客觀測試AI模型的真實音樂理解能力，而不是依靠宣傳或簡單的演示。

Q2：現(xiàn)在的音樂AI真的很厲害嗎？ A：研究結(jié)果顯示并非如此。大多數(shù)聲稱能理解音樂的AI模型在標(biāo)準(zhǔn)化測試中表現(xiàn)遠低于預(yù)期，甚至在基礎(chǔ)任務(wù)上也不如傳統(tǒng)專業(yè)軟件。它們更像是"會背答案"而不是真正理解音樂。

Q3：音樂AI存在哪些偏見問題？ A：主要有文化偏見和性別偏見。AI模型在識別西方樂器和主流音樂風(fēng)格時表現(xiàn)較好，但處理世界音樂傳統(tǒng)樂器和小眾風(fēng)格時就很差。另外在聲音識別上也存在明顯的性別差異，這可能影響對不同性別藝術(shù)家作品的公平評價。