开发者kiri603在GitHub开源了一款AI扒谱skill，能够将混音歌曲音频自动分轨、扒谱，并改编为适合五人乐队（主音吉他、节奏吉他、贝斯、键盘、鼓）演奏的总谱，支持难度调整，最终输出MIDI、可打印的PDF总谱以及可编辑的MuseScore（.mscz）文件。针对上一版本用户反馈的问题，新版引入动态规划思想规范吉他谱生成效果，具体表现为减少相邻乐符的品位差、减少换把次数，并针对电吉他的乐器特性生成偏好高把位的吉他谱。目前该项目已在GitHub获得84个star。作者公开了多个乐谱生成样例，包括Beyond《海阔天空》的电吉他尾奏段落、Alia《声》、Mygo《春日影》及GBC《雑踏、僕らの街》等曲目，并在哔哩哔哩发布视频演示供试听。作者实测发现，该skill的扒谱能力与底层基座模型强相关，目前仅GPT系列Astra模型能稳定输出完成度较好的作品，建议用户使用最新模型测试。该项目来自Linux.do社区的合规开源推广，项目完整开源且已按要求链接认可社区，作者邀请用户试用并反馈改进意见。
事件分析
该项目的技术链路涵盖音频源分离、自动音乐转录（AMT）与编曲生成三个环节，属于典型的AI Agent工作流编排，将多个音频处理模型与大模型的乐理推理能力串联成端到端流程。值得注意的是，其成品质量与基座模型能力直接相关，说明扒谱任务对模型的多模态理解与符号转换能力要求较高，可视为检验大模型音乐理解水平的一个落地场景。吉他谱生成引入动态规划优化把位选择，是传统算法与AI生成相结合的务实路径，有效抑制了纯生成式输出的不合理指法。产业层面，此类工具可显著降低翻奏乐队、音乐教学与乐谱制作的人力门槛，具备向音乐教育市场延伸的潜力。后续走向上，随着多模态模型持续演进，转录精度与编曲合理性有望进一步提升，但歌曲改编涉及的版权边界问题仍需持续关注。
核心观点：工具链可以复制，基座能力无法复制，AI扒谱质量的天花板正由大模型的多模态理解力决定。
原文链接：Linux.do
