随着AIGC技术向垂直文化领域快速渗透，音乐AI近年来成为数字创意产业的热门赛道，智能作曲、智能识谱、音乐转录等创新应用快速落地，但行业长期缺乏标准化的多模态音乐符号基准数据集，现有训练数据普遍存在跨模态对齐度低、符号体系覆盖不全、对非五线谱类乐谱存在偏见等问题，直接制约了音乐AI模型的泛化能力与商业化落地效果。2026年4月23日，北京邮电大学联合中国音乐学院、南洋理工大学共同构建的多模态音乐符号处理基准数据集ONOTE正式首发于国际学术预印本平台arXiv，瞄准上述行业痛点提出了标准化解决方案。
据公开信息显示，ONOTE共包含1120条经过专业校验的高质量样本，完整覆盖标准五线谱、简谱和吉他指法谱三类国内主流乐谱体系，原始数据均来自MusiXQA、GuitarSet等全球公认的专业音乐数据库，研发团队通过规范化音高投影、序列对齐等技术完成了多轮跨模态清洗与对齐处理，解决了不同乐谱体系之间的符号映射误差问题，为各类音乐AI模型的效果评估提供了中立、统一的评测标尺。
作为行业首个同时覆盖三类主流乐谱的多模态基准数据集，ONOTE可广泛应用于视觉乐谱理解、跨格式乐谱转换、音频转乐谱转录、音乐符号生成等核心任务的模型训练与效果验证。从落地场景来看，该数据集可支撑音乐教育领域的智能识谱工具优化，实现不同类型手写、印刷乐谱的精准识别与实时纠错；可辅助智能作曲工具提升多格式乐谱导出能力，降低不同乐器演奏者的协作门槛；还可助力传统音乐文化数字化保护，实现海量纸质简谱、民间乐谱的批量转录与结构化入库；在音乐信息检索场景下，也能支撑“以谱搜曲”“旋律相似度检索”等创新功能的落地。
此次ONOTE数据集的发布，是计算机科学与音乐艺术跨学科融合的典型成果，填补了我国多模态音乐符号处理领域的基准数据空白，对降低音乐AI研发门槛、推动音乐产业数字化转型、完善文化领域数据要素供给体系均具有重要意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)