音频转 MIDI：在浏览器里本地转录

选择 MP3、WAV、M4A 或 OGG 文件，时长十分钟以内。页面解码后混成单声道并重采样到 22050 Hz——这是转录模型要求的采样率——然后按三十秒一块逐段推理，每块前后各留两秒重叠。

这两秒重叠比听起来重要。判断一个音符从哪里开始、到哪里结束，需要前后若干帧的上下文；如果不留重叠，恰好跨过切口的长音就会被切成两个短碎音。重叠区推理完即丢弃，最终只保留一套干净的音符。

进度按块上报，所以长文件看到的是一个在走的百分比，而不是一个卡住的转圈图标。每个会话的第一次转录还要下载模型权重，这是最慢的一步；之后再转别的文件就能立刻开始。

模型训练的目标是跟随有音高、有持续时间的声音，所以它在单一清晰乐器上最强：独奏钢琴、唱出或哼出的旋律、吉他单音线条、贝斯声部、木管或弦乐旋律。这类素材的起音位置、音高和时长通常准到可以直接改，不必重做。

有三种情况会让结果变差。编配密集的全乐队混音同时给模型好几个有音高的乐器，它会把它们混进同一条轨道而不是分开——想要单一声部，请先用音轨分离。打击乐没有稳定音高可供跟踪，鼓会变成一堆散落的低音，而不是能用的节奏型。重失真和厚混响会模糊起音，表现为真实音符周围多出一些短碎音。

模型检测到的滑音会作为弯音事件保留进 MIDI，不会被压平成固定音高。这对吉他和人声线条有用；如果拿到记谱软件里只想要确定的音高，顺手删掉即可。

下载的是标准 MIDI 文件，任何能读 MIDI 的软件都能打开：编曲软件、记谱软件、硬件音序器、手机上的草稿应用。文件里写入的曲速是根据音符起点间距估出来的，并折到常用的 60 到 190 区间；它只决定你的编辑器里小节线落在哪，不会移动音符本身，所以改掉它没有副作用。

请预期结果需要整理，而不是拿来直接用。最值得花时间的两处修改是：删掉聚在响亮起音周围的短碎音，以及把混响段落里被模型提前截断的音符补长。一段常规旋律上，这两件事都是几分钟的活。

最近的转录会列在这个页面上，同一段音频不必转第二次就能重新下载 MIDI。