本研究探讨了自动音乐转录（AMT）中的多声部音乐分析。通过常量Q变换提取音频特征，并结合卷积神经网络，将古典钢琴音频转换为乐谱表示，展示了其新颖性和广泛应用潜力。

本文提出了一种混合方法，结合预训练卷积编码器与语言模型解码器，解决自动音乐转录中的手动阈值设定和长序列处理问题，显著降低计算成本并提升性能。

自动音乐转录（AMT）在音乐信息检索中很重要，目标是将音频转为乐谱。尽管已有进展，但系统仍不如人类专家，主要因音乐复杂性。本综述评估了全自动和半自动系统，强调减少用户干预，并探讨改进方法，为未来开发高效准确的系统提供路线图。

自动音乐转录（AMT）是将音频信号转换为音乐符号表示的核心挑战。本文回顾了AMT在音乐信号分析中的作用，并探讨了当前模型和方法的进展和限制。尽管有进展，AMT系统尚未达到人类专家的准确度。本综述批判性评估了全自动和半自动的AMT系统，并提出改进的途径，以缩小当前系统和人类级转录准确性之间的差距。该研究为克服AMT中的挑战提供了一个路线图。

自动音乐转录（AMT）是将音频信号转换为音乐符号表示的核心挑战。本文回顾了AMT在音乐信号分析中的作用，探讨了当前模型和方法的进展和限制。尽管有进展，AMT系统尚未达到人类专家的准确度。本综述批判性评估了全自动和半自动的AMT系统，并提出了改进的途径，为未来的研究提供了路线图，以缩小系统和人类级转录准确性之间的差距。