真的懂音乐吗？实测 Gemini 与 Qwen 的多模态音频解析能力

随着多模态大模型的发展，AI 是否能真正“理解”音乐成为热门话题。文章通过实测对比发现，Google Gemini 虽然在人声识别上准确率极高，但在处理乐器 Solo 时表现不佳，且存在时间轴错乱问题；而 Qwen 的全模态模型在乐器识别和时间同步上展现出了更优的准确性。这一现状表明，当前主流 AI 模型在处理复杂音乐结构时，仍存在“重人声、轻乐理”的局限，距离真正像人类一样从乐理层面理解音乐还有很长的路要走。