Zurück zum Blog

Noten in MIDI auf 1.000 Testseiten — erweiterte Transkription vs. Standard

Lacuna.fm Research Team
Noten in MIDI auf 1.000 Testseiten — erweiterte Transkription vs. Standard

Die erweiterte Transkription (Enhanced transcription) ist ein optionaler Modus im Noten-zu-MIDI-Konverter von Lacuna: ein langsamerer zweiter Lesedurchgang jeder Seite, Takt für Takt, nachdem der Standardmodus sein Ergebnis geliefert hat. Um zu sehen, was sie verändert, haben wir einen Benchmark mit 1.000 Seiten erstellt: 200 einseitige Ausschnitte aus gemeinfreien Werken, jeder in fünf Bilder umgewandelt — eine saubere Seite mit 300 DPI, ein Scan mit 150 DPI, eine Seite mit verblassten Notenlinien, ein simuliertes Handyfoto und ein simuliertes Foto einer gewölbten Seite. Zusammen enthalten die Seiten 339.065 Noten in 28.245 Takten, und für jede gibt es eine exakte Referenz zur Bewertung.

Beide Modi haben alle 1.000 Seiten gelesen. Auf einer 100-Punkte-Skala, bei der 100 bedeutet, dass das Ergebnis Note für Note mit der Referenz übereinstimmt, erreichte die erweiterte Transkription einen Median von 98,8, der Standardmodus 82,1. Die erweiterte Transkription kam auf 602 der 1.000 Seiten auf 98 oder mehr, der Standardmodus auf 119. Am größten war der Abstand bei den gewölbten Seiten: Dort fiel der Median des Standardmodus auf 14,6, während die erweiterte Transkription bei 98,2 lag.

98,8
medianer Notenscore von 100, erweiterte Transkription
Standardmodus: 82,1 auf denselben 1.000 Seiten
602 von 1.000
Seiten mit einem Score von 98 oder mehr
Standardmodus: 119
85,5 %
der Takte ohne Abweichung von der Referenz
24.159 von 28.245; Standardmodus: 52,0 %

Was die erweiterte Transkription macht

Der Standardmodus liest jede Seite einmal und liefert sein Ergebnis zuerst. Die erweiterte Transkription liest anschließend jede ausgewählte Seite erneut, Takt für Takt, und ersetzt das Standardergebnis dieser Seite, sobald sie fertig ist. Sie dauert länger und kostet zusätzliche Credits. Deshalb entscheidest du pro Upload oder pro Seite, ob du sie nutzt; standardmäßig ist sie nicht aktiv.

  • Zwei Wege, sie zu starten. Aktiviere sie beim Hochladen, oder wähle bei einer bereits abgeschlossenen Transkription die Seiten aus, die erweitert werden sollen.
  • Preis pro Seite. Jede Seite wird nach der Anzahl ihrer Noten berechnet. Der Preis und eine geschätzte Wartezeit für jede Seite werden angezeigt, bevor du bestätigst.
  • Das Standardergebnis bleibt erhalten. Es bleibt verfügbar, während die erweiterten Seiten laufen, und du kannst die Seite verlassen. Wird eine Seite nicht fertig, bleibt ihr Standardergebnis bestehen, und die Credits für die Erweiterung dieser Seite werden erstattet.

Wie wir den Benchmark aufgebaut haben

200 Ausschnitte aus 193 Werken von 37 Komponistinnen und Komponisten. Die meisten stammen aus dem OpenScore Lieder Corpus, einer gemeinfrei veröffentlichten Sammlung von Kunstliedern, überwiegend aus dem 19. und frühen 20. Jahrhundert; der Rest stammt aus dem music21-Korpus. Jeder Ausschnitt umfasst eine Seite, meist die erste Seite des Stücks. Einige sind die vollständige Partitur; andere behalten nur eine Stimme, etwa den Klavierpart oder die Gesangslinie eines Lieds, damit jede Besetzung gut vertreten ist:

BesetzungAusschnitteSeitenMedian Noten pro Seite
Einstimmig (Gesang, Klarinette, Leadsheet)41205102
Chor (drei bis fünf Stimmen, mit oder ohne Klavier)1890244
Gesang und Klavier62310337
Klavier58290479
Kammerensemble (Streichquartette, Trios, gemischte Besetzungen)21105272

Die Seiten enthalten 37 bis 1.374 Noten, der Median liegt bei 291.

Fünf Bilder jeder Seite. Jeder Ausschnitt wurde aus seiner von Hand codierten Ausgabe mit Verovio, einer Open-Source-Bibliothek für Notensatz, auf einer A4-Seite gesetzt. Notenschriften und Notenabstände wurden zwischen den Ausschnitten variiert, damit die Seiten nicht alle gleich aussehen. Anschließend wurde jede Seite in fünf Versionen gespeichert:

  • Sauber: 300 DPI.
  • 150 DPI: dieselbe Seite mit halber Auflösung, etwa die Qualität eines Scans mit niedriger Auflösung.
  • Verblasste Notenlinien: Notenlinien in hellem Grau gedruckt, Noten unverändert, wie bei manchen Web-Ausdrucken und Exporten geringer Qualität.
  • Simuliertes Handyfoto: die Seite auf einer dunklen Tischplatte mit leichter perspektivischer Neigung (jede Ecke um bis zu 3 % der Seitengröße verschoben), ungleichmäßigem warmem Licht, leichter Unschärfe, Sensorrauschen und JPEG-Komprimierung.
  • Simulierte gewölbte Seite: das Foto, zusätzlich mit einer Wölbung über die Breite der Seite, sodass die Notenlinien einen Bogen bilden, statt gerade zu verlaufen.

Da jedes Bild aus einer bekannten Codierung gerendert wird, ist die Referenz exakt: Es sind die Noten der Ausgabe, aus der die Seite gesetzt wurde. Die Fotos sind Simulationen. Ein echtes Kamerafoto kann Probleme hinzufügen, die sie nicht abbilden, etwa Schatten, den Falz eines Buchs oder abgeschnittene Ränder.

Dieselbe Zeile aus Webers Concertino in fünf Versionen: sauber, 150 DPI, verblasste Notenlinien, simuliertes Handyfoto und simulierte gewölbte Seite
Die erste Zeile einer Testseite in ihren fünf Versionen, von oben nach unten: sauber, 150 DPI, verblasste Notenlinien, simuliertes Handyfoto, simulierte gewölbte Seite. Weber, Concertino für Klarinette und Klavier (Klavierpart), gemeinfreie Ausgabe.

Wie eine Seite bewertet wird. Wir vergleichen das Ergebnis Takt für Takt mit der Referenz. Innerhalb eines Takts werden die Noten aller Stimmen nach Einsatzzeitpunkt und Tonhöhe sortiert, und eine Note gilt nur dann als Treffer, wenn sowohl ihre Tonhöhe als auch ihr notierter Notenwert übereinstimmen. Der Notenscore beträgt 100 × (1 − Anzahl der Änderungen, die nötig sind, um das Ergebnis in die Referenz zu überführen ÷ Anzahl der verglichenen Noten). Fehlende oder zusätzliche Takte zählen als vollständig falsch. Ein Score von 100 bedeutet keine Abweichungen; 98 entspricht ungefähr zwei Änderungen pro hundert Noten.

Was der Notenscore nicht erfasst
Der Score fasst alle Stimmen eines Takts zusammen, daher wird eine Note in der falschen Stimme oder im falschen Part nicht bestraft. Vorschlagsnoten werden nicht bewertet, und übergebundene Noten werden nicht zusammengeführt. Eine Seite kann 100 erreichen und ihre Parts trotzdem anders aufteilen als die gedruckte Seite.

Ersetzte Seiten. Nach dem ersten Durchlauf haben wir jede Referenz mit ihrer gedruckten Seite abgeglichen und 11 Ausschnitte gefunden, die sich nicht fair vergleichen ließen: Neun verwendeten Tremolo-Abkürzungen, die die Referenz als eine lange Note speichert, während die Seite wiederholte Noten zeigt; einer hatte Noten, die auf der Seite ausgeblendet, in der Referenz aber vorhanden waren; und bei einem stimmten die Notenwerte in der Referenz nicht mit den gedruckten Noten überein. Wir haben ihre 55 Seiten durch 11 Ausschnitte derselben Besetzung ersetzt, die dieselbe Prüfung bestanden. Die ersetzten Seiten fließen in keine Zahl dieses Artikels ein; auf ihnen erreichte die erweiterte Transkription im Mittel 77,7 und der Standardmodus 53,0.

Jede Seite wurde von jedem Modus einmal verarbeitet.

Ergebnisse nach Bildbedingung

BedingungErweitert: Mittelwert / MedianStandard: Mittelwert / MedianSeiten ≥ 98 (erweitert / Standard)Takte ohne Abweichung (erweitert / Standard)
Sauber, 300 DPI97,8 / 99,186,1 / 93,5137 / 504.991 / 4.048
Verblasste Notenlinien97,4 / 98,983,8 / 92,5127 / 414.962 / 3.892
150 DPI96,5 / 99,176,0 / 84,1129 / 144.819 / 3.158
Simuliertes Handyfoto96,1 / 98,272,8 / 81,7104 / 144.675 / 3.030
Simulierte gewölbte Seite95,3 / 98,217,7 / 14,6105 / 04.712 / 558

Jede Bedingung umfasst 200 Seiten und 5.649 Takte.

Der Standardmodus verlor mit jedem Schritt weg von einer sauberen Seite an Boden: Sein Mittelwert fiel von 86,1 auf sauberen Seiten auf 72,8 bei flachen Fotos und 17,7 bei gewölbten, wo keine seiner 200 Seiten 98 erreichte. Die erweiterte Transkription verlor deutlich weniger. Ihr Mittelwert auf gewölbten Seiten, 95,3, lag höher als der Mittelwert des Standardmodus auf den sauberen Originalen derselben Seiten.

Mittlerer Notenscore von 100 nach Bildbedingung, je 200 Seiten. Dunklere Balken: erweiterte Transkription. Hellere Balken: Standardmodus.
Quelle: Interner Lacuna-Benchmark, November 2026; ein Durchlauf pro Seite und Modus

Ergebnisse nach Besetzung

BesetzungSeitenErweitert: Mittelwert / MedianStandard: Mittelwert / MedianSeiten ≥ 98 (erweitert / Standard)Takte ohne Abweichung (erweitert / Standard)
Einstimmig20598,7 / 10069,3 / 86,3164 / 418.315 / 5.614 von 8.520
Chor9097,0 / 99,167,4 / 83,057 / 191.446 / 752 von 1.635
Gesang und Klavier31097,0 / 98,566,5 / 81,0189 / 175.279 / 2.777 von 6.445
Klavier29095,3 / 97,566,4 / 80,9131 / 277.443 / 4.543 von 9.340
Kammerensemble10594,6 / 99,367,9 / 83,361 / 151.676 / 1.000 von 2.305

Einstimmige Seiten waren für die erweiterte Transkription am einfachsten: 131 dieser 205 Seiten kamen ganz ohne Abweichungen zurück. Klavier war am schwierigsten, mit den meisten Noten pro Seite. Die Seiten für Kammerensemble teilten sich in zwei Gruppen: Die meisten erzielten sehr hohe Scores, was der Gruppe den höchsten Median gibt, aber einige dichte Streichquartettseiten schnitten so schwach ab, dass ihr Mittelwert ans Ende der Tabelle rutschte.

Wie oft jeder Modus nah herankam

Die Mittelwerte verbergen, wie unterschiedlich sich die beiden Modi verteilen. Seiten nach Score gezählt:

NotenscoreErweitertStandard
100 (keine Abweichungen)30941
99 bis unter 10016238
98 bis 9913140
95 bis 9819898
90 bis 95110156
80 bis 9065149
50 bis 8024193
Unter 501285
Anzahl der Seiten in jedem Notenscore-Bereich, von 1.000. Dunklere Balken: erweiterte Transkription. Hellere Balken: Standardmodus.
Quelle: Interner Lacuna-Benchmark, November 2026; ein Durchlauf pro Seite und Modus

Der Standardmodus erzielte auf 285 Seiten weniger als 50, darunter 191 gewölbte Seiten. Auf denselben 285 Seiten erreichte die erweiterte Transkription im Mittel 95,8 (Median 98,4), und 220 davon kamen auf 95 oder mehr. Seite für Seite lag die erweiterte Transkription auf 791 Seiten mehr als 2 Punkte über dem Standardmodus, auf 176 innerhalb von 2 Punkten und auf 33 mehr als 2 Punkte darunter.

Was die erweiterte Transkription noch falsch macht

Über die 1.000 Seiten hinweg ließ die erweiterte Transkription 14.802 Abweichungen bei 339.065 Referenznoten übrig, etwa eine von 23:

  • 9.131 Noten mit falscher Tonhöhe. 6.193 davon lagen ein oder zwei Halbtöne daneben, so viel wie ein Notenkopf, der eine Linie oder einen Zwischenraum versetzt gelesen wurde, oder ein übersehenes Vorzeichen. 100 lagen eine Oktave daneben.
  • 2.753 fehlende Noten und 1.559 zusätzliche Noten.
  • 1.359 Noten mit falscher Länge.

Die Abweichungen konzentrierten sich auf eine Minderheit der Takte, statt sich über jede Seite zu verteilen: 85,5 % der Takte kamen ohne Abweichungen zurück, gegenüber 52,0 % im Standardmodus. Eine Prüfung der dichtesten Takte und der Akkorde findet das meiste, was übrig bleibt.

Ergebnisse auf sieben schwierigen Seiten aus der Praxis

Getrennt vom Benchmark haben wir sieben Seiten aus der Praxis verarbeitet, von der Art, mit der der Standardmodus am schlechtesten zurechtkam, insgesamt 1.087 Noten. Wir zeigen diese Seiten nicht und berichten nur ihre Scores.

SeitentypNotenStandardErweitertDauer (erweitert)
Renaissance-Polyphonie, sechs Stimmen1144,495,62,5 min
Klaviersatz mit Liedtext zwischen den Systemen14416,71004,4 min
Gescanntes PDF mit niedriger Auflösung16731,098,82,1 min
Häufige Schlüsselwechsel, darunter ein Oktavschlüssel12254,91003,9 min
Gesang und Klavier, Handy-Screenshot19964,798,03,0 min
Fünfstimmiger Chor89100*1001,6 min
Klavier2521001002,9 min

* Der Standardmodus erkannte jede Note der Chorseite, teilte die fünf Stimmen aber auf neun Parts auf, was der Notenscore nicht erfasst.

Über die sieben Seiten erreichte der Standardmodus im Mittel 53,1 und die erweiterte Transkription 98,9.

Warum diese Seiten nur ergänzende Belege sind
Für diese Seiten gibt es keine von Menschen erstellte Referenz. Ihre Referenz ist die Version, auf die sich mehrere unabhängige langsame Lesedurchgänge jeder Seite Note für Note geeinigt haben, durchgeführt mit derselben Art von Takt-für-Takt-Lesung, die die erweiterte Transkription verwendet. Ein Fehler, den diese Durchgänge gemeinsam machen, würde hier als richtig gelten. Deshalb stammen die Hauptzahlen aus den 1.000 Benchmark-Seiten.

Wie lange es dauert

Die Verarbeitungszeit wächst mit der Anzahl der Noten auf der Seite und mit dem Grad der Bildverschlechterung. Die 1.000 Benchmark-Seiten liefen in großer Zahl parallel auf gemeinsam genutzter Testhardware, daher sind ihre Zeiten nicht repräsentativ. Die folgenden Zeiten stammen aus Testläufen, die jeweils eine Seite verarbeiteten:

  • Die sieben Seiten aus der Praxis mit je 89–252 Noten brauchten jeweils 1,6 bis 4,4 Minuten.
  • Acht Benchmark-Seiten mit 254–804 Noten, als Fotos und gewölbte Fotos, brauchten jeweils 3,8 bis 11,5 Minuten. Eine volle Seite mit dichtem Klaviersatz und 804 Noten brauchte als Foto 10,6 Minuten und gewölbt 11,5 Minuten.

Diese Zeiten stammen aus Testläufen und schwanken je nach Auslastung. Im Produkt wird die geschätzte Wartezeit jeder Seite angezeigt, bevor du bestätigst.

Wann sie sich lohnt

Am größten waren die Zugewinne dort, wo der Standardmodus die Struktur der Seite verlor: bei gewölbten oder fotografierten Seiten, Scans mit niedriger Auflösung, Chören und anderen mehrstimmigen Seiten sowie dichtem Klaviersatz. Wo das Ergebnis des Standardmodus bereits zur Seite passte, brachte die erweiterte Transkription wenig zusätzlich.

Eine praktische Reihenfolge: Lass zuerst den Standardmodus laufen, vergleiche einige Takte des Ergebnisses mit der Seite, und erweitere die Seiten, bei denen Noten oder Takte fehlen oder deren Stimmen zusammengeführt oder aufgeteilt wurden. Die erweiterte Transkription ist in den Tools Noten zu MIDI und PDF zu MIDI verfügbar.