MUSIC AI LAB · 2026
音乐 AI
52 周学习路线
把机器学习、音乐技术、个人项目与钢琴练习放进同一条可验收路线。 每周从目标出发，直接阅读与它相关的笔记、代码和实验结果。
- 周期
- 52 周
- 阶段
- 7 个
- 建议投入
- 24–28h / 周
本周终点环境说明、学习日志模板、第一份钢琴音频与 MIDI 基线
学习内容
- Python 虚拟环境、包管理与项目结构
- GPU、CUDA、PyTorch 版本关系
- 实验日志、随机种子与可复现性
动手练习
- 实现读取配置、创建输出目录和记录随机种子的实验入口
- 跑通 CPU 与 CUDA 张量运算并记录设备信息
项目推进
- 在 music-ai-lab 中写音频到钢琴缩编的个人兴趣方向备忘，暂不创建独立项目仓库
- 建立 experiments、data、reports 三类工作目录约定
乐理与听辨
- 复习五线谱、音名、唱名、拍号与基本时值
- 在当前曲目中标记小节线和强弱拍
钢琴练习
- 录制拜厄当前条目和一首小汤曲目作为基线
- 每天慢练 40 分钟，记录错音、节拍和紧张位置
验收标准
- 同一命令可以重复打印相同环境和随机种子信息
- 能用一句话说明 12 个月个人兴趣项目的边界
MON—FRI工作日 · 10h
学习与代码 70 分钟，钢琴慢练 40 分钟，日志与复盘 10 分钟。
SATURDAY项目日 · 9h
课程与论文 3h，项目实现 4h，钢琴、听辨与复盘 2h。
SUNDAY实验日 · 7h
训练与错误分析 3h，数据与文档 2h，钢琴和下周计划 2h。
连续两周完成率低于 70% 时，把当前一周拆成两周；保留核心项目、钢琴和复盘，先删辅助阅读。
01论文复现与研究深化
希望进一步提高理论、实验或论文复现深度时
- 完整复现 AMT-APC、Etude 或新近钢琴 Cover 论文
- 补充统计显著性和更大规模消融
- 尝试投稿 workshop、demo 或技术报告
形成一份接近论文标准的可复现研究成果。02音色、Codec 与生成音频
个人兴趣更偏音色迁移、音频生成或效果器时
- EnCodec/DAC 与 residual vector quantization
- DDSP、vocoder 与对抗损失
- Diffusion/Flow Matching 的 5～10 秒小模型
补充音色与高保真音频生成实践，但不替代主项目。03端侧与实时推理
个人兴趣更偏移动端、插件或实时演奏时
- ONNX Runtime Mobile、NCNN 或平台原生运行时中选择一个
- 流式特征、chunk state 与实时延迟
- 质量、功耗、包体和设备兼容性
在一台真实目标设备上完成可测的端侧 Demo。04专家修谱与数据飞轮
已有用户或教师愿意持续修正结果时
- 编辑行为到监督标签的可靠映射
- 主动学习与高价值失败采样
- 专家一致性、版权和训练同意
建立最难被简单复制的真实修谱数据与持续质量迭代闭环。