音声→MIDI変換の紹介では「精度○%」という数字が目立ちます。しかし、入力音源、採点単位、時間許容幅、対象楽器が違えば、その数字を横に並べても同じものを測ったことにはなりません。
小規模でも再現可能な評価にするには、少なくとも次の四つを分離します。
- 同じ入力を使ったか
- MIDIファイルとして正常に配送されたか
- ノートイベントが期待する音楽構造に近いか
- 実用状態まで何分の修正が必要か
1. 入力と出力をハッシュで固定する
ファイル名だけでは、再エンコードや差し替えを検出できません。比較に使う音声と生成されたMIDIについて、SHA-256を保存します。
from hashlib import sha256
from pathlib import Path
def file_sha256(path: str) -> str:
digest = sha256()
with Path(path).open("rb") as source:
for chunk in iter(lambda: source.read(1024 * 1024), b""):
digest.update(chunk)
return digest.hexdigest()
print(file_sha256("input.wav"))
print(file_sha256("result.mid"))
記録するのはハッシュだけではありません。音源の長さ、チャンネル数、サンプルレート、圧縮形式、変換モード、実行日時も一緒に残します。これで「同じ曲だった」という曖昧な説明から、「同じバイト列を同じ条件で処理した」という確認に近づきます。
2. 配送確認と音楽的な正しさを分ける
MIDIを開ける、ノートが一つ以上ある、再生時間がゼロではない。これらは重要ですが、確認できるのは主に配送の成立です。正しい音程やタイミングを復元できたことまでは示しません。
まず構造を機械的に確認します。以下はMidoでトラック数、ノート開始数、再生時間を取り出す最小例です。
from mido import MidiFile
def summarize_midi(path: str) -> dict:
midi = MidiFile(path)
note_on_count = sum(
1
for track in midi.tracks
for message in track
if message.type == "note_on" and message.velocity > 0
)
tracks_with_notes = sum(
any(
message.type == "note_on" and message.velocity > 0
for message in track
)
for track in midi.tracks
)
return {
"seconds": round(midi.length, 3),
"tracks_with_notes": tracks_with_notes,
"note_on_count": note_on_count,
"ticks_per_beat": midi.ticks_per_beat,
}
この結果が前回と同じなら、出力構造に大きな回帰がないかを素早く確認できます。ただし、18ノートがすべて正しいのか、同じ18ノートを重複検出したのかは、別の評価が必要です。
3. 同じ抜粋でノートイベントを比較する
方式Aには単音メロディ、方式Bには完成済みのミックスを与える、という比較は成立しません。評価用の抜粋を固定し、各方式へ同じ入力を渡します。
比較対象は最低でも次の四つです。
- pitch: MIDIノート番号
- onset: ノート開始時刻
- offset: ノート終了時刻
- velocity: 強さ
正解MIDIがある場合は、ノート単位のprecisionとrecallを計算できます。その際は、onsetの許容幅やoffsetの扱いも結果と一緒に保存します。正解MIDIがない場合は、主要フレーズの保持、余分な短音、欠落、オクターブ誤りを人手で分類し、単一の「精度」に潰さない方が原因を追いやすくなります。
4. 編集コストを独立した指標にする
音楽制作では、採点値が少し高い出力より、修正箇所がまとまっている出力の方が使いやすいことがあります。そこで次も記録します。
- 削除した余分なノート数
- 追加した欠落ノート数
- タイミングを直したノート数
- トラック整理にかかった時間
- DAWへ持ち込める状態までの合計時間
この編集ログは、モデルの性能だけでなく、前処理や後処理の改善点も示します。
公開例をどう読むか
公開されている固定ベンチマークでは、PureMIDI所有の合成デモと手修正前のMIDIについて、入力・出力ハッシュと構造値が掲載されています。
2026年8月25日に確認したfixed benchmark v1では、同じ単音メロディを使ったWAVと192 kbps MP3の例が、ともに17.84秒、1トラック、18ノートです。一方、短い混合WAVの例は31.77秒、8トラック、113ノートです。
この数字から「WAVとMP3の精度が同じ」「113ノートが正解」とは言えません。確認できるのは、公開された限定入力に対する出力構造と、後から同じファイルを再確認できることです。そこから先は、音程・開始時刻・長さ・編集コストを別々に評価します。
最小の評価レコード
最終的には、一回の変換を次のようなレコードとして保存すると追跡しやすくなります。
{
"input_sha256": "...",
"output_sha256": "...",
"input_format": "wav",
"route": "single_part",
"duration_seconds": 17.84,
"tracks_with_notes": 1,
"note_on_count": 18,
"onset_tolerance_ms": 50,
"manual_deletions": 0,
"manual_additions": 0,
"edit_minutes": 0
}
評価の価値は、大きな数字を一つ出すことではなく、後から同じ条件を再現し、どの段階で結果が変わったかを説明できることにあります。
参考資料
開示：この記事はPureMIDIの公開ベンチマークを限定例として使用しています。記事の中心は製品比較ではなく、音声→MIDI評価を再現可能にする手順です。