估计,而非还原

音频转 MIDI:能做到什么、做不到什么

音频转 MIDI 常被描述成“把歌变成工程文件”,实际得到的是基于基频与起音检测的估计。理解它的边界,才能判断什么时候值得用,什么时候应该人工记谱。

音频波形经过分析后生成可编辑的 MIDI 音符草稿
转写把波形估计成音符,结果需要人工修正。
Conversion5 分钟阅读EditMIDI 产品团队⚡ 跳到内置交互工具 ↓English

最关键的几点

  • 转写结果是草稿,必须人工修正音高与节奏。
  • 复音素材需要分轨或人工记谱,单次转写无法可靠拆分。
  • 前 30 秒限制意味着长音频只能取片段。
  • 解码与分析都在本机完成,不上传原始音频。

转写实际在做什么

转写流程分三步:解码音频为采样、把采样切成短帧、在每一帧里估计基频与起音。连续的稳定音高会被合并成一个音符,音高变化处被判定为音符边界。

这套方法对单音旋律最有效,因为同一时刻只有一个基频。钢琴和弦、吉他扫弦、人声和声都会让多个基频同时出现,估计器只能选择其中一个或给出错误结果。

因此“音频转 MIDI”得到的不是原始演奏,而是一条最突出的旋律线。它适合抓灵感、做草稿或提取副歌旋律,不适合还原完整编曲。

30 秒与单声部的限制

EditMIDI 的本地转写只分析前 30 秒,且只跟踪一条主导旋律。这是有意的边界:更长的音频需要更多计算与更复杂的模型,而浏览器内的实时体验会明显下降。

如果目标段落不在开头,先在音频编辑器里裁出那 30 秒,再转写。裁剪不会改变音高,但会改变时间起点,转写结果的 tick 会从新起点开始。

单声部限制意味着鼓组不会变成可用的鼓轨。鼓的瞬态不适合按基频估计,结果通常是随机音高。需要鼓轨时,应使用专门的鼓转写工具或人工输入。

什么样的素材效果最好

干净的单音人声、长笛、单音合成器与无伴奏旋律效果最好。背景噪声、混响、延迟与失真会干扰基频检测,让音符边界变得模糊。

采样率与位深不是主要问题,信噪比才是。一段 128 kbps 但有清晰人声的 MP3,通常比高码率但充满环境噪声的录音更容易转写。

如果素材是完整混音,先尝试分离人声或主奏乐器。分离本身也会引入伪影,所以不要期待分离后就能得到完美 MIDI。

结果后处理:先修音高,再修节奏

转写结果通常包含错误八度、漏音与多余的短音符。先修音高:把明显偏离的音符移到正确音级,删除持续一两个 tick 的噪声音符。再修节奏:用最小可行网格量化,而不是一次性大网格。

错误八度是常见问题,因为基频估计容易把二倍频当成基频。听感上会突然高八度或低八度,修正时按乐句整体移动,而不是逐个音符猜。

力度通常也被扁平化。转写后按乐句重做力度,比在原始估计上微调更有效。

什么时候应该人工记谱

需要准确的和弦、复调、鼓谱或完整编曲时,人工记谱仍然更可靠。转写可以节省“从零开始”的时间,但不能替代听辨与和声判断。

判断标准是:如果修正转写结果的时间超过人工输入的时间,就应该直接人工记谱。对短旋律,人工输入往往更快;对长音频,转写才有规模优势。

隐私与本地处理

解码、分析、生成草稿都在浏览器内完成,原始音频不上传。这一点对未发布作品尤其重要,因为音频一旦离开设备,撤回与追责都会变复杂。

草稿生成后会存入本机的临时存储并打开钢琴卷帘。关闭页面前导出 MIDI,避免草稿随会话丢失。

常见问题

能把整首歌转成 MIDI 吗?

当前工具只分析前 30 秒并跟踪一条主导旋律,得到的是草稿。完整歌曲需要分段处理,或使用专门的复音转写工具再人工修正。

为什么转写出来的音符忽高忽低?

基频估计容易把二倍频误判为基频,产生错误八度。修正时按乐句整体移动,而不是逐个音符调整。

鼓能转成 MIDI 吗?

当前本地转写面向有音高的单声部旋律,不适合鼓组。鼓轨建议使用专门的瞬态检测工具,或直接在钢琴卷帘里输入。

这篇内容有帮助吗?