音訊轉 MIDI：在瀏覽器裡本機轉錄

選擇 MP3、WAV、M4A 或 OGG 檔案，長度十分鐘以內。頁面解碼後混成單聲道並重新取樣到 22050 Hz——這是轉錄模型要求的取樣率——再按三十秒一塊逐段推論，每塊前後各留兩秒重疊。

這兩秒重疊比聽起來重要。判斷一個音符從哪裡開始、到哪裡結束，需要前後若干影格的脈絡；若不留重疊，恰好跨過切口的長音就會被切成兩個短碎音。重疊區推論完即丟棄，最終只保留一套乾淨的音符。

進度按塊回報，所以長檔案看到的是一個在走的百分比，而不是一個卡住的轉圈圖示。每個工作階段的第一次轉錄還要下載模型權重，這是最慢的一步；之後再轉別的檔案就能立刻開始。

模型訓練的目標是跟隨有音高、有持續時間的聲音，所以它在單一清晰樂器上最強：獨奏鋼琴、唱出或哼出的旋律、吉他單音線條、貝斯聲部、木管或弦樂旋律。這類素材的起音位置、音高與長度通常準到可以直接修改，不必重做。

有三種情況會讓結果變差。編配密集的全樂團混音同時給模型好幾個有音高的樂器，它會把它們混進同一條軌道而不是分開——想要單一聲部，請先用音軌分離。打擊樂沒有穩定音高可供追蹤，鼓會變成一堆散落的低音，而不是能用的節奏型。重破音與厚殘響會模糊起音，表現為真實音符周圍多出一些短碎音。

模型偵測到的滑音會作為彎音事件保留進 MIDI，不會被壓平成固定音高。這對吉他與人聲線條有用；若拿到記譜軟體裡只想要確定的音高，順手刪掉即可。

下載的是標準 MIDI 檔，任何能讀 MIDI 的軟體都能開啟：編曲軟體、記譜軟體、硬體音序器、手機上的草稿應用。檔案裡寫入的速度是依音符起點間距估出來的，並折到常用的 60 到 190 區間；它只決定你的編輯器裡小節線落在哪，不會移動音符本身，所以改掉它沒有副作用。

請預期結果需要整理，而不是拿來直接用。最值得花時間的兩處修改是：刪掉聚在響亮起音周圍的短碎音，以及把殘響段落裡被模型提前截斷的音符補長。一段常規旋律上，這兩件事都是幾分鐘的工。

最近的轉錄會列在這個頁面上，同一段音訊不必轉第二次就能重新下載 MIDI。