Две совершенно разные задачи

«Ноты от ИИ» обычно означает одно: направить модель на аудиофайл и заставить её угадать, какие ноты звучат. Это по-настоящему сложно — ИИ приходится выводить высоту звука, ритм и тайминг из звуковой волны, точно так же, как человек-транскрибатор слушает запись и записывает то, что слышит. Это по своей природе приблизительно, и сложность быстро растёт при работе с полными миксами, искажёнными инструментами или плотными аккордами.

MIDI в нотный текст — совершенно другая задача, и гораздо более простая. MIDI-файл уже содержит точную ноту, точный тайминг и точную силу нажатия (velocity) каждого события — выводить ничего не нужно. Преобразование этого в стандартную нотацию — не транскрипция, а перевод: данные, которые уже точны, просто размещаются на нотном стане. Никаких догадок, никакого «более-менее подходит», никаких оговорок о черновом варианте.

Почему это важно, если вы генерируете MIDI

Если вы работаете со сгенерированным ИИ MIDI — по текстовому запросу, через Infinite Engine или через генератор MIDI Lab — у вас уже есть эти точные данные о нотах прямо в файле. В тот момент, когда трек существует в виде MIDI, создание нот превращается в задачу форматирования, а не распознавания. Это верно независимо от того, появился ли MIDI в результате генерации ИИ, был записан через MIDI-контроллер во время живого исполнения, или собран вручную в пиано-ролл редакторе.

Именно поэтому MIDI в ноты обычно даёт более чистый результат, чем аудио в ноты, — и это ещё до учёта интерпретации. У детерминированного преобразования не бывает плохих дней. Оно не «спотыкается» на полифонических партиях сильнее, чем на простой мелодии. Потолок точности здесь просто выше, потому что самая сложная часть — понять, какая нота была сыграна и когда — уже была решена в момент создания MIDI.

Что нотному редактору на самом деле нужно от MIDI-файла

Программы для нотной записи (MuseScore, Sibelius, Finale, Dorico) читают формат MusicXML — тот же формат обмена данными, который инструменты «аудио в ноты» тоже выдают в конце своей работы. Чтобы перейти от MIDI к MusicXML, нужно определить несколько вещей, важных для нотного редактора, которые сырые MIDI-данные явно не кодируют:

Тональность — MIDI не помечен тональностью; её нужно вывести из реально используемых нот, точно так же, как человек, читающий партию, определил бы тональность на слух.
Размер такта и группировка долей — как метки времени начала и окончания нот распределяются по тактам, долям и их делениям.
Энгармоническое написание — то, писать ли данную высоту звука как диез или бемоль, зависит от тональности и окружающих нот, а не только от числового значения высоты звука.
Ритмическая запись — квантование точных миллисекундных меток времени в читаемые длительности нот (четвертные, восьмые триоли, пунктирные ритмы) без потери ощущения живого исполнения.

Ничего из этого не требует «прослушивания». Это структурированная, основанная на правилах работа — именно та задача, которую можно решить надёжно, а не приблизительно.

Практическое применение

Те же сценарии использования, которые делают ценным преобразование «аудио в ноты», применимы и здесь — как правило, с лучшим результатом:

Передача партии сессионному музыканту, который читает ноты, а не играет на слух.
Аранжировка сгенерированного или запрограммированного трека для живой группы, где каждому инструменталисту нужна настоящая партия.
Обучение — превращение MIDI-упражнения или примера в напечатанную партитуру.
Архивирование композиции в форме, которая переносима между разными нотными редакторами, а не привязана к проприетарному формату проекта одной DAW.

Как это вписывается в MIDI Lab

MIDI Lab уже рассматривает сессию как «нить», к которой можно прикреплять аудио и MIDI как вложения, а композитор построен по принципу «добавь то, что у тебя есть, опиши то, что хочешь», а не по отдельным режимам для разных типов файлов. Ноты — естественное продолжение той же идеи: ещё один способ вывести музыкальную идею из приложения в форму, которую кто-то другой сможет прочитать и сыграть.

Об аудио-стороне этого вопроса — где ИИ действительно приходится слушать и делать выводы — читайте в статье что может и чего не может ИИ-транскрипция.