AI这段旋律，真能查到用了谁？

生成旋律像某首歌，溯源工具指向它，就说明模型确实受那首歌影响吗？TrueMuse 的研究先准备已知进入微调的样本，再检查现有方法能否找回这些对象，让结果有一个可比较的依据。

我重新对照论文原始摘要，它针对文本生成音乐的数据归因，测试三类扩散模型。研究者挑选样本微调，因为知道哪些素材进入了过程，才能检查溯源方法是否把结果正确关联回来。

基准把旋律结构、音色与风格等情况分开评估，一种方法在某场景表现好，换另一种未必仍然可靠。作者报告不同设置下差异明显，现有黑盒方法的结果不能直接当作稳定的来源答案。

这一步有助于把“像谁”的争论拆开，听见相似是观察，材料是否进入训练、对生成结果起什么作用又需要证据。把作品风格、某段旋律和实际数据归因混成一个问题，工具分数也会被用错。

原材料没有给出具体方法排名与完整数值，作者表示代码和数据将在接收后发布。读者暂时不能据摘要完成复现，三类微调模型中的结论也不能直接扩到所有商业音乐工具。

音乐人若想用这种结果讨论作品来路，应保存工具版本、输入与候选位置，再听具体片段。归因分数还不回答授权关系或版权结论，别把一个候选名单当成已经确定的创作参与者。

等可复现实验开放，可以先挑一组已知样本看误报与漏报，再换音色或提示条件重测。若同一首样本换个场景就找不到，先把差异记录下来，回到具体设置核对，再解释这一次结果能说明什么。

资料出处

• 原报道或作者资料