【2026 最新】MuScriptor 音訊轉 MIDI 怎麼用？本機安裝、DAW 清理與 6 項交付驗收

MuScriptor 音訊轉 MIDI的真正價值，不是按一下就得到「完美樂譜」，而是把原本只能聽的錄音，轉成可以移動音符、換音色、重配和聲的編輯起點。這篇會從素材權利、官方示範站與本機安裝開始，一路做到 DAW（數位音訊工作站）／MuseScore 清理、固定片段 A／B（只改一個條件的前後對照）與交付前驗收。你不需要先會寫程式，但要接受一件事：AI 先產生粗轉錄，真正可用的 MIDI 還要靠人把節拍、樂器、時值與力度整理好。

截至 2026 年 8 月 24 日，MuScriptor 是 Kyutai 與 Mirelo 開發的多樂器轉錄模型，能把音訊輸出成 MIDI，也能透過 MuseScore 產生樂譜。接下來會依序完成官方示範站初步檢查、本機安裝、模型選擇、DAW 清理與六項交付驗收；輸出是否可用，統一用同一套清單判斷。

先說結論：MuScriptor 給你的是粗譜，不是母帶答案

1. 第一次使用：先拿自己錄製或已取得處理權利的短片段到官方示範站，確認模型能否辨認主旋律、低音與主要節奏。
2. 需要反覆處理：接受 Hugging Face 的非商用權重條款後，用本機版固定模型與指令，保留可重做的流程。
3. 進入編輯：把原始音訊與 MIDI 同時放進 DAW，先校正小節與速度，再清理錯音、重疊音符、誤判樂器與力度。
4. 準備交付：用同一段來源做 A／B，確認結構、音高、分軌、節奏與檔案相容性；只要其中一項仍會讓下游誤判，就還不是完成品。

本文的錨點公式：可交付 MIDI ＝ AI 粗轉錄＋節拍校正＋樂器分軌＋人工驗收。後面每一步都在補這四塊，而不是追求一個神奇的「100% 正確」按鈕。

MuScriptor 音訊轉 MIDI 在做什麼？先分清楚音訊、MIDI 與樂譜

MP3、WAV 裡存的是聲音波形；MIDI 存的是「哪個音、何時開始、何時結束、分到哪種樂器」等事件。MuScriptor 會先把輸入轉成 16 kHz 單聲道，在連續的小片段上辨認 onset（開始點）、offset（結束點）、pitch（音高）與 instrument（樂器類別），再把事件寫進多軌 MIDI。這類任務叫 automatic music transcription（自動音樂轉錄），和把人聲變逐字稿的語音辨識不同；如果想先理解本機音訊前處理的共通問題，可延伸讀NeMo-Speech.cpp 本機音訊 API 教學。

目前官方輸出會依偵測到的樂器程式建立軌道，方便 Ableton Live 等 DAW 分開處理；鼓組使用 MIDI 鼓組專用通道（percussion channel）。可是模型沒有從錄音保留原始 velocity（力度值），因此你不能把 MIDI 的強弱當成演奏者真實力度。在頻率重疊、失真或重度處理的密集混音中，它仍可能誤判音高、時值或樂器；輸出是 MIDI 事件，不是音訊 stem。

這也解釋了 MuScriptor 與兩種常見 AI 音樂工具的方向差異。AI 鋼琴 Copilot從已經是 MIDI 的按鍵事件出發，預測下一句；MiniMax Music 3 本機教學從文字與歌詞生成新音訊。MuScriptor 則是把既有音訊反推成可編輯事件：不是續寫，也不是生成新歌。

開始前先過授權關：程式碼 MIT，不等於權重可商用

MuScriptor 程式碼採 MIT 授權，但 small、medium、large 模型權重採 CC BY-NC 4.0。BY 要求適當標示，NC 限制商業使用；「repo 是開源」不能自動覆蓋權重條款。模型卡還要求你對輸入音訊具備必要權利，且不得用於未獲授權的音樂轉錄。

• 個人研究、學習或非商用 demo：先讀完整權重條款，保留使用的模型版本、來源與標示。
• 接案、上架、客戶交付或營利產品：不要只憑「免費下載」推定可用；先向權利人確認模型權重、原錄音、詞曲、表演與改編所需授權。
• 公開歌曲：聽得到或買得到不等於可拿來轉錄並散布 MIDI。最穩妥的練習素材是自己的錄音、明確公版且編曲權利也已確認的材料，或得到書面許可的片段。

所以「技術上能匯出」和「權利上能交付」是兩道不同的門。本文教的是技術清理與驗收方法；是否能商用，必須回到你的所在地、使用情境與實際授權鏈判斷。

第一步：用一組固定素材做小樣，不要先丟整首歌

先建立三種自己有權處理的固定片段，每段截取足以涵蓋一個完整樂句的區間。長度不是越長越好；目的是讓你快速辨認模型在哪一類材料出錯，並讓每次改模型或設定時都能重跑同一組。

1. 單一鋼琴或乾淨旋律：檢查基本音高、和弦與時值。若這組已大量錯誤，先查輸入品質與拍點，不必直接挑 large。
2. 人聲較少的樂團段落：觀察 bass、drums、keyboard／guitar 是否被拆到合理軌道。
3. 完整混音的密集段落：故意放入最難的副歌或疊加段，測試錯誤密度是否已超過人工修正價值。

將三段原音檔設成唯讀，另建工作副本；記錄檔名、開始與結束時間、BPM 是否已知、預期樂器，以及你認為的主旋律與低音。這就是最小評測集。想把它做成可重複的回歸測試，可套用AI Evals 新手指南的固定資料、單一變因與評分規則（rubric）觀念。

第二步：先跑官方示範站，再決定是否自架

MuScriptor 音訊轉 MIDI的官方 demo 適合回答一個問題：「這類音訊值得繼續嗎？」上傳第一組短片段，下載 MIDI，先不要急著看五線譜；直接在系統預聽或 DAW 裡聽一次，確認主旋律、低音輪廓與主要節奏是否存在。若最重要的音樂資訊都不見了，後面精修只會變成重抄。

Show HN 上流傳的 10 秒說法來自第三方 Pianoify 包裝，不能當成 MuScriptor 官方示範站規格。若素材敏感、需要批次重做或必須固定模型版本，直接改用本機版。

第三步：本機安裝與第一個 MIDI

現行 PyPI 套件要求 Python 3.10 以上。先在 Hugging Face 登入，打開你要用的 medium 模型頁並接受權重條款；存取會自動核准，但仍需要帳號與登入憑證（token）。接著安裝 uv，在終端執行：

uvx hf auth login
uvx muscriptor transcribe input.wav --model medium -o output.mid

Linux 與 Apple Silicon Mac 可以用 uvx muscriptor serve開本機網頁介面；Windows 若要使用相容的 NVIDIA GPU，才用 uvx --torch-backend=cu128 muscriptor serve選擇 CUDA 12.8 運算後端，只有 CPU 的 Windows 則直接用 uvx muscriptor serve。Intel Mac 依官方相容性說明以 uvx --python 3.12 muscriptor serve固定 Python。這些是目前官方 README 的啟動方式，不代表任何一台符合名稱的電腦都會有相同速度。

small、medium、large 怎麼選？先用成本最低的可用基準

• small（103M，約 1.03 億參數）：官方稱為只有 CPU 機器的實用選擇。適合驗證安裝、檔案與流程，不能預設在複雜混音上等同較大模型。
• medium（307M，約 3.07 億參數，預設）：官方定位為速度與準確度的折衷。沒有特殊限制時，先拿它建立同一組固定片段的基準結果。
• large（1.4B，約 14 億參數）：官方把它列為較準、但更需要 GPU 的選項。只有當 medium 的錯誤確實會阻礙交付，而且增加推論成本值得時，才在同一素材上 A／B。

截至 2026 年 8 月 24 日，官方 README 的平台指令會依機型選用不同加速方式；硬體表現也會隨 RAM、MuScriptor／PyTorch 版本、模型與片段長度而變。Apple Silicon 會自動使用 MPS（蘋果晶片的 GPU 加速）。第一次執行時，記錄首次載入時間、轉錄時間與輸出錯誤型態，再用同一段素材比較模型。

第四步：知道樂器時，用限制重跑；不知道時不要亂猜

若你明確知道素材只有 acoustic piano 與 drums，可先列出支援名稱，再用樂器限制重跑：

uvx muscriptor list-instruments
uvx muscriptor transcribe input.wav \
  --model medium \
  --instruments acoustic_piano,drums \
  -o constrained.mid

--instruments是硬性遮罩，不在清單裡的樂器 token（模型事件代碼）不會出現在輸出。因此它適合修正「已知編制卻一直冒出錯誤音色」，不適合拿未知完整混音亂填答案。限制太窄會禁止未列樂器 token，可能造成漏音或錯誤標記；請保留 unrestricted（無限制）與 constrained（有限制）兩份，用同一段音訊比較。

如果你要的是印刷或演奏用譜，先注意版本差異：截至 2026 年 8 月 24 日，PyPI 最新仍是 0.3.0；該版本的官方 CLI 原始碼只列 MIDI／JSON／JSONL 輸出。目前 GitHub main文件雖已加入下列 sheets 指令，但它尚未成為 PyPI 正式版；只有明確釘選並驗證含 sheets 的開發版、另裝 MuseScore 4 以上，而且輸出目錄不存在或為空時，才使用：

muscriptor transcribe input.wav --format sheets --output score/

因此使用 uvx muscriptor的 0.3.0 讀者，應先輸出 MIDI，再依MuseScore Studio 手冊匯入整理；官方線上介面則可依當下選項下載樂譜。開發版 sheets 路線會建立量化後 MIDI、MusicXML、總譜 PDF 與部分樂器分譜，但只有在你明確釘選並驗證相應程式版本（commit）時才能依賴。官方也提醒穩定速度的錄音較適合格線量化，rubato（自由速度）會顯著變差。若素材有自由速度，先輸出原始 MIDI 到 DAW 校正 tempo map（速度隨時間變化的對照），再決定是否匯成樂譜，通常比直接硬壓成整齊拍點安全。

第五步：匯入 DAW，照「結構→分軌→音高→時值→力度」清理

在 Ableton Live、Logic Pro、Cubase、REAPER 或其他 DAW 建立新專案，把原始音訊放在第一軌，MuScriptor MIDI 從同一時間點匯入。以下順序刻意把高影響錯誤放前面；若小節線都在漂，先逐顆修音只會重做。

1. 結構與 tempo：找第一個可靠 downbeat（每小節第一個重拍），對齊小節 1；到片段尾端再看一次是否漂移。固定速度素材可調 BPM；rubato 或逐段變速素材要做 tempo map，不要整段一次 quantize（把音符吸附到拍點）。
2. 分軌：逐軌單獨播放（solo），依聽到的角色改名。錯誤而稀疏的假軌可刪除；同一角色被拆成兩軌可合併；真正不同的低音與和聲不要為了畫面整齊硬塞一起。
3. 音高：先修主旋律與低音根音（bass root），再處理內聲部。優先刪除音域不合理、瞬間爆成密集音群或與原音完全無關的孤立音。
4. 音符起點與長度：只選已確認的樂句做局部量化（quantize）；先校起點，再修過短、過長與互相壓住的音符。保留人味時可降低量化強度（amount），不要把所有音硬吸到 100% 格線。
5. 力度與表情控制：MuScriptor 不保留原錄音力度，重新用力度編輯器（velocity editor）做樂句弧線、重拍與層次；需要時另加控制器資料（CC）。這不是美容，而是讓 MIDI 從機械播放變成可編曲素材。

Ableton Live 12 MIDI 編輯手冊說明 quantize、note start／end 與 velocity 工具；MuseScore Studio 手冊則說明 MIDI／MusicXML 開啟方式。不同 DAW 選單名稱不一樣，但清理順序相同。

第六步：用固定片段 A／B，決定該手修、重跑還是放棄

建立 A／B 之前，先把原音與 MIDI 輸出成音訊（render），並對齊相同起點、相同片段範圍與近似聽感音量。A 是來源音訊，B 是目前 MIDI；第一輪看著 DAW 比對，第二輪把檔名隱藏或交給另一位合作者隨機播放，避免你因為知道哪個是「修過的」就自動替它找理由。

• 結構：開頭 downbeat 對齊，片段尾端沒有持續漂移，段落長度合理。
• 音高：主旋律、低音根音與必要和聲可辨認，沒有隨機密集音群。
• 分軌：每軌扮演一個可理解角色，沒有會誤導編曲者的假樂器。
• 節奏：音符起點、長度、鼓點與律動（groove）可用，沒有卡住不放的音符（stuck notes）或破壞樂句的重疊。
• 表情：力度與必要控制已重建，不把固定 velocity 當完成品。
• 交付：檔案能在目標 DAW／譜軟體開啟，速度／拍號（time signature）、軌名、版本與權利紀錄齊全。

接著用錯誤範圍決策。只有幾顆音錯，手修最快；整個樂器被誤判，拿明確樂器清單重跑；從頭到尾固定漂移，先做 tempo map；每軌都充滿錯音，改用更乾淨的 stem（獨立樂器音訊）、較簡單片段或人工重錄，別讓沉沒成本把「重抄」假裝成「AI 加速」。

要比較 small／medium／large，也只能在同一固定素材、同一清理規則下記錄「達到六項標準所需的人工分鐘數」。模型原始音符多不多不是最終判準；如果 medium 只錯少數音，而 large 省不了足夠人工時間，就沒有升級理由。

最常踩的 7 個坑

1. 把第三方 10 秒限制套到官方 demo：先確認服務網址與版本；Show HN 的 Pianoify 不是 MuScriptor 官方站。
2. 把 MIT repo 當成權重可商用：程式與模型是兩份授權，輸入歌曲還有另一條權利鏈。
3. 一開始就用整首密集混音：你會無法判斷錯在音訊、拍點、樂器還是模型。先用固定短片段分類錯誤。
4. 看到 MIDI 就全選 100% 量化：自由速度與律動會被壓扁，錯誤拍點還可能整齊地錯下去。
5. 把軌道名稱當真相：逐軌單獨播放聽角色；模型標籤是猜測，不是音訊分軌（stem separation）。
6. 忽略 velocity：目前轉錄沒有保留原始力度，直接交付往往會像機械琴。
7. 只挑最成功的樣本：保留單鋼琴、較乾淨樂團與密集混音三組，才能知道工具在哪些素材上值得用。

FAQ：MuScriptor 音訊轉 MIDI 新手最常問的 8 題

1. MuScriptor 可以把任何歌曲一鍵變成正確鋼琴譜嗎？

不行。它是多樂器粗轉錄工具，不是保證正確的編曲師。乾淨、節拍穩定且音色清楚的素材通常較容易整理；密集混音、rubato、罕見音色與強烈效果需要更多人工判讀。

2. 官方 demo 有 10 秒限制嗎？

截至 2026 年 8 月 24 日，10 秒說法只出現在第三方 Pianoify 的 Show HN 討論，不能當成 MuScriptor 官方站規格。需要固定模型與輸入條件時，改用本機版。

3. 沒有 NVIDIA GPU 能不能用？

可以先試 small；Apple Silicon 會自動使用 MPS。官方將 small 定位為 CPU-only 的實用選項，medium 是預設折衷，large 更需要 GPU。實際速度仍取決於硬體、音訊長度與軟體版本。

4. 模型會自動把每種樂器分成獨立 stem 嗎？

不會產生乾淨的音訊 stem。它會把辨認到的音符依樂器程式寫進 MIDI 軌道，但軌名與事件都可能誤判。若要音訊分離，那是另一種 source separation 任務。

5. 為什麼匯出的 MIDI 聽起來沒有原曲表情？

因為模型目前沒有保留原始力度，音色也由你的播放器或虛擬樂器（virtual instrument）決定。在 DAW 重建力度、奏法（articulation）、踏板（pedal）／控制器資料（CC）與音色，是必要的編曲步驟。

6. 應該直接輸出 sheets，還是先輸出 MIDI？

PyPI 0.3.0 一律先輸出 MIDI。只有已釘選並驗證含 sheets 的 main開發版、安裝 MuseScore 4 以上，而且素材節拍穩定時才試 sheets；rubato、混音或要進 DAW 則先用 MIDI。原始 MIDI 讓你先處理 tempo map 與錯音，再匯成 MusicXML／樂譜，較不容易讓錯誤量化定型。

7. 用 MuScriptor 轉出的 MIDI 可以商用嗎？

不能只看輸出格式就回答可以。權重是 CC BY-NC 4.0，且你還要確認錄音、詞曲、表演、編曲與散布權。商業或客戶交付前，應取得適用授權或另選可支援該用途的方案。

8. 怎樣才算清理完成？

六項驗收同時通過：結構不漂、主要音高正確、分軌可理解、節奏與重疊可用、力度已重建、目標軟體可開且版本／權利紀錄完整。只要下游仍需要猜你的意圖，就還沒完成。

給新手的 6 個重點

1. 先拿有權處理的固定短片段試官方 demo，別從整首歌開始。
2. repo 是 MIT、權重是 CC BY-NC 4.0；技術可行與商用可行要分開查。
3. medium 是官方預設基準，small 適合 CPU，large 要有可衡量的人工節省才值得。
4. 先對齊 tempo／downbeat，再處理分軌、音高、時值與力度。
5. 已知編制可用 --instruments重跑；未知素材不要用限制逼模型猜錯答案。
6. 用固定片段、同一標準記錄人工修正時間；可編輯不等於可交付。

AI 音樂工具真正有用的地方，是把不可編輯的聲音變成可討論的草稿，而不是替創作者取消判斷。若你想延伸這個觀念，可讀AI 創作怎麼保留主體感；若想理解模型為什麼在常見音色表現較好、在罕見分布較不穩，可接著看AI 模型怎麼學習。