Basic Pitch 准确率：真正影响转录结果的因素

不存在一个能代表所有音频转 MIDI 任务的“准确率百分比”。干净的钢琴乐句和已经母带处理的流行歌曲是两种不同的推理问题，即使它们使用相同的采样率和文件格式。

Basic Pitch 根据频谱和起音证据推断音符。最有效的改进，通常来自减少这些证据中的歧义。

编曲结构比扩展名更重要

单声部人声或主奏旋律通常每次只有一个主导音高。钢琴和吉他虽然可以同时演奏多个音，但起音往往足够清楚，能够得到有用的初始结果。完整混音更困难，因为基频、泛音和打击乐会相互重叠。

WAV 避免了有损压缩，却不会自动消除房间噪声、削波或其他乐器。干净的独奏 MP3 完全可能比嘈杂的排练 WAV 更容易转录。

不同控制项解决不同错误

起音阈值决定开始一个新音符需要多少证据。降低数值能找回较弱的起音，也可能增加错误音符。

帧阈值决定一个音高继续存在需要多高置信度。提高数值可以去掉微弱共振，但安静的持续音可能变短。

最短音符时值会删除短到没有音乐意义的事件，对混响吉他、钢琴踏板噪声和压缩录音尤其有效。

频率范围可以排除目标乐器以外的音区。当低频轰鸣或明亮打击乐并不属于目标旋律时，这项设置很有用。

每次只修改一个控制项，并始终用同一段音乐对照音符图。一次大幅修改多个参数，很难判断究竟是哪项调整起作用。

高采样率不是准确率捷径

Tonera 会为模型准备 22,050 Hz 单声道信号，因此上传 96 kHz 文件不会让推理精度提高四倍。高分辨率录音对制作过程有价值，但在转录阶段，声部隔离、信噪比和清楚的起音通常更重要。

判断清理何时到达极限

后处理可以删除误识别并调整时值，却不能可靠判断重叠音符属于哪件乐器。如果目标声部埋在完整混音中，应先进行声部分离，或从原始工程直接导出独立轨道。

实际使用时，先转换一段有代表性的短片段。如果经过少量清理后旋律和节奏已经可辨认，剩余内容通常值得继续处理。如果每种阈值都只是用一个大错误换来另一个错误，应先改善或隔离音源。