在看到流水线之前，转谱像魔法。音频以每秒几万次的压力采样进入，音符以离散事件的形式输出。中间隔着四个阶段，每个阶段都在做判断。
分窗与频谱
第一步把音频切成短小的重叠窗口，把每个窗口变换成频谱：这一瞬间哪些频率上有能量。时间分辨率和音高分辨率在这里互相牵制——窗越长，音高听得越准，时间却越模糊。
起音、帧与轮廓
然后神经网络从三个角度读频谱：起音帧（音符在这里开始）、持续帧（音符在这里延续）和音高轮廓（两者之间的精细频率路径）。把三者正确组合，才成其为转谱，而不是一团钢琴卷帘形状的糊。
那些判断题
最后是阈值决定你听到的一切：多少起音证据才足以生成一个音符、多短的音才算噪声、八度泛音要不要单独立音。转谱结果让你失望时，几乎总能归结到其中某个旋钮——这也是为什么好的转换器会把这些旋钮交到你手里。