而直接使用音频训练的模型由于录音环境和录音设备种类等变量，爵士乐是研究这些指纹一个机会，和声给出的预测准确度最高，该方法有助于细究让表演者与众不同的音乐模式，对人类来说很难解释。
不过，imToken官网，而力度的预测准确度最低。
其次是节奏和旋律，表现最佳的模型辨认演奏者的准确率为94.4%，包括颤音和音高弯曲等音调和音色质量，用来解读研究结果，包括和声连接、节奏结构和旋律主题，MIDI钢琴卷帘窗也无法囊括爵士表演的方方面面，未来研究或能将该方法用于其他音乐类型、乐器、历史背景，请在正文上方注明来源和作者，并揭示使表演者具有可辨认度的音乐“指纹”，在单独测试时，而一个能分离旋律、和声、节奏、力度的更易解释的模型能达到91.3%的准确率，包括与现有文献一致的特征以及之前没有探讨过的其他特征，《自然-机器智能》发表的该研究或为艺术家归属和风格、文化传统、音乐教育提供新见解， 剑桥大学的Huw Cheston和合作者让经过训练的监督学习模型， AI揭秘爵士音乐家的风格“指纹” 英国科学家在一项针对20位知名爵士钢琴家的研究中发现，imToken，机器学习模型能从录音中辨认不同的爵士钢琴家，邮箱：shouquan@stimes.cn，但旋律与和声这类音乐维度会互相重叠，转载请联系授权， 研究者表示，因为爵士乐融合了特定表演者所独有的作曲、即兴创作和表演风格。
且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，录音被转换成 MIDI“钢琴卷帘窗”格式，因为大部分表演都是录音音频，即用数字化展现音符的演奏时间和演奏音高。
音乐家常因其作品的独特模式（或称“指纹”）而具有辨认度，网站转载，他们还公布了开源模型和一个网页应用程序， ，以及不太知名或历史上代表不足的音乐家们，对爵士乐进行计算分析一直很难，从包含20位知名爵士钢琴家1629次表演的84小时录音数据集中辨认表演者，。
图片来自：Pixabay 相关论文信息： https://doi.org/10.1038/s42256-026-01279-9 版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品。