在自动符号音乐分析领域，尽管已有显著进展，但现有系统通常仅设计为单一使用模式，如全谱预测，因此无法满足分析工作流中出现的更广泛操作需求，包括部分完成、本地修正和迭代优化。这导致了强大的基准模型与能够支持交互式分析使用的系统之间的差距。
我们提出了一个统一的符号罗马数字（RN）分析框架，通过将强大的预测性能与对约束完成和修正的直接支持相结合，来缩小这一差距。该方法旨在提供准确性与交互响应性之间的实用权衡，通过一次计算昂贵的预训练表示并在迭代优化过程中复用它们，使得强大的预训练模型更适合交互环境。
该框架支持完整的谱分析、现有标签的针对性修正，以及通过共享建模框架从部分上下文推断缺失注释。我们在Dilemmadata上进行的实验显示，所提出的方法是一个强大的RN分析基线，同时支持从部分标签进行掩码完成。结合多级候选审查和编辑的原型接口，这些结果使得自动RN分析不仅仅被视为预测问题，更为未来音乐分析的交互式工具奠定了基础。
博主点评： 本文展示了如何将强大的预测模型转化为实用的交互工具，成功填补了现有技术与用户需求之间的空白。通过优化迭代过程，研究不仅提高了音乐分析的准确性，也增强了用户的参与感，展现了未来交互式音乐分析的广阔前景。