# 從「它能唱」到「我希望 IA 在這一句唱出什麼？」

## 把 VOCALOID MCP 從工程閉環推向創作意圖、樂理、可復盤決策與冷啟動作曲

- **階段日期：** 2026-07-18 ～ 2026-07-19
- **前篇：** [From a Blank Timeline to a Finished VOCALOID Song](from-blank-timeline-to-finished-vocaloid-song.md)
- **主要聲庫：** IA、IA_ROCKS
- **本階段增量：** 31 個本地 commits、125 個變更檔案、4 份完整 creative-record packages
- **最終自動驗證：** 102 tests discovered，100 passed，2 intentional skips，0 failed
- **最終人耳結論：** 工程流程成立；最新高 BPM 測試中 IA 被伴奏遮住，Rock 感仍然不足
- **English edition：** [From “Can It Sing?” to “What Should IA Sing in This Line?”](from-can-it-sing-to-what-should-ia-sing.en.md)

---

## 摘要

第一階段已經回答了一個很難的問題：

> Agent 能不能從空白 timeline 開始，建立原生 VSQX，讓真正的 VOCALOID3 Editor 用指定聲庫唱出來，再完成伴奏、分軌、混音、mastering、QC 與 delivery？

答案是可以。

但當這條工程管線真的閉環後，下一個問題突然變得更難，也更有意思：

> 不再問「它能不能唱」，而開始問——「我希望 IA 在這一句裡，究竟唱出什麼？」

第二階段就是沿著這句話展開的。

我們加入了 composition intent、phrase direction、deterministic music-theory analyzer、bounded repair proposals、fingerprint-bound exceptions、20–30 秒 audition ladder、creative decision journal、native tuning materialization、phrase-grammar DSL、voicebank identity probe、固定 intent-file prompt，以及真正的 fresh-agent cold-start 作曲測試。

我們也刻意沒有做一件看似誘人的事：把本地數百首 IA 曲目變成「下一個音該寫什麼」的 retrieval system。曲庫最後被限制在離線、人工審核、不可反向重建的 DSL 詞彙來源；production agent 看不到曲名、旋律、nearest neighbor、逐曲 feature 或 continuation hint。

最終，fresh agent 可以從單獨的 intent file 出發，完成：

```text
意圖
  → 樂理／form／harmony
  → melody
  → Japanese note allocation
  → IA delivery
  → arrangement
  → original Editor render
  → mix / master / QC
  → creative record
```

然而，最後一次 190 BPM IA_ROCKS 實驗也給了最重要的反證：所有 readiness gate 都通過，VSQX 有 287 顆音、42 個 native controls，WAV 沒 clipping、loudness 正常、hash 全部 current，但人耳仍然聽到兩個根本問題：

1. IA 被配樂蓋住了；
2. 音樂仍然偏平，沒有真正做出 Rock 的感覺。

所以這一階段最誠實的結論是：

> Agent 可以成為相當不錯的 composer assistant、production engineer 和實驗夥伴；但「神曲」目前仍然沒有被工程化解決。

這不是失敗。恰恰相反，這代表系統終於有能力把「工程成功」與「音樂成功」分開說清楚。

---

## 1. 第一階段留下了什麼

前篇完成的是一條非常具體的 native production pipeline：

```text
empty manifest
  → canonical score state
  → VSQ3 / VSQ4 compiler
  → XSD + Yamaha native loader validation
  → original VOCALOID3 Editor render
  → isolated vocal/instrument stems
  → deterministic mix graph
  → loudness / peak / clipping analysis
  → mastered WAV + matching VSQX
```

它已經解決：

- 32-bit Windows legacy application 與 WSL/Node.js 之間的邊界；
- VSQX 原生 note、lyric、phoneme、note style、vibrato、master control curves；
- VOCALOID3 Editor 的 UI export automation；
- 指定聲庫、fail-closed singer substitution；
- multi-track song manifest、stable IDs、revision、three hashes；
- accompaniment、vocal/instrument stems、effects、automation、mix、master；
- artifact provenance、history、dry-run 與 delivery currentness。

換句話說，系統已經「會做歌」。

但是它不知道一首歌為什麼要這樣做。

如果沒有新的創作層，一個 agent 很容易得到以下局面：

- melody 符合音域；
- chord 沒有 schema error；
- 日文 phoneme 合法；
- WAV 非靜音；
- LUFS、true peak、stereo balance 都漂亮；
- 但每一句都像是在完成 checklist。

工程閉環越可靠，這個問題反而越明顯。

## 2. 重新定義第二階段：意圖先於音符

第二階段的優先順序被寫成一個 lexicographic contract：

1. 保留使用者的 brief、歌詞含義與 song／section／phrase intent；
2. 讓 melody、harmony、rhythm、note allocation、IA delivery、arrangement 可追溯地服務 intent；
3. 維持 form、timeline、harmony、singability、voice leading 與 arrangement 的內部一致；
4. 必要時選擇 phrase-grammar vocabulary，讓句法角色與變化可明示；
5. 保存 authorship、artifact provenance 與不確定性。

這個順序很重要。

如果「樂理規則」排在 intent 前面，agent 會傾向把所有有張力的地方修平。

如果「IA style」排在 intent 前面，曲庫或 DSL 會逐漸變成模板。

如果「音訊 metrics」排在 listening 前面，系統會把 -16 LUFS 誤當成好聽。

因此，核心資料流變成：

```text
user brief
    │
    ▼
song intent
    │
    ├── section transition
    │
    └── 1–3 anchor phrase directions
             │
             ▼
      realization hypothesis
             │
             ▼
    theory / grammar / composition
             │
             ▼
       bounded audio audition
             │
             ▼
    keep / reject / revise by listening
```

## 3. Composition intent 不是一個 emotion tag

新的 `vocaloid-composition-intent/v1` 分三層：

| 層級 | 保存什麼 | 不保存什麼 |
| --- | --- | --- |
| Song | premise、point of view、central tension、start state、destination | 「悲傷=minor」之類 recipe |
| Section | dramatic function、state before/transition/after | 自動 chord 或 melody |
| Phrase direction | utterance purpose、semantic focus、delivery arc、listening question | per-note prose |

Phrase direction 可以在任何 note、lyric unit、tuning gesture 或 arrangement track 之前建立。

這讓真正合理的順序成為可能：

```text
先寫：「這句話要讓什麼變得可聽見？」
再寫：「用什麼 melody / duration / harmony / delivery 實現？」
最後才把 stable IDs 綁回 intent。
```

這和「先生成一段旋律，再補一段理由」是兩件完全不同的事。

### 3.1 Intent hash 為什麼不等於 composition hash

Intent 進入 `content_hash`，但不進入 `composition_hash` 或 `mix_hash`。

原因是兩個問題必須分開：

1. 這個 WAV 是否仍然對應現在的 score？
2. 這個 WAV 是否仍然回答現在的藝術問題？

只改 intent，不應強迫重建 byte-identical audio；但先前的 intent-fidelity listening review 必須 stale。這正是 `intent_hash` 的用途。

### 3.2 程式只能量測 realization，不能判定情感成功

Structured targets 只描述可以量測的東西，例如：

- melody contour／range；
- onset 或 note-duration trajectory；
- harmonic tension direction；
- DYN arch／valley；
- arrangement density；
- semantic focus 的 duration 與 beat placement。

它們不能把 prose emotion 轉成假科學。

「空、遠、透明」不是固定的音程表；「握緊劍柄」也不是固定的 DYN=94。

## 4. Deterministic 樂理：guardrail，不是作曲家替身

`core/v1` symbolic analyzer 建立一次 read-only index，再分 domain 分析：

- form；
- timeline／meter／tempo；
- key／harmony；
- melody；
- rhythm；
- vocal／note allocation；
- voice leading；
- arrangement；
- performance suitability。

它可以精確定位：

- timeline contradiction；
- chord coverage gap；
- unresolved sustained non-chord tone；
- unbalanced leap；
- missing breath window；
- mora／consonant timing budget；
- unsuitable melisma phoneme；
- compound-meter pattern conflict；
- vocal minor-second collision；
- voice crossing；
- slash-bass conflict；
- register crowding；
- duplicated accompaniment role；
- density/energy mismatch。

但它沒有「好聽」這個 rule code。

### 4.1 三種 severity 必須誠實

| Severity | 意義 | 行為 |
| --- | --- | --- |
| `error` | symbolic state 自相矛盾、不可解讀 | 阻止 score/build；不可 exception |
| `warning` | 具體 musical/performance risk | 可以 audition；release policy 可要求處理 |
| `info` | composition/style observation | 不阻止 build/delivery |

所有 rule code、version、domain、allowed severity 與 structural status 都由單一 registry 擁有。Analyzer 不能臨時發明一個 code，也不能把 style preference 偽裝成 structural error。

### 4.2 20,000-event 壓力測試不是炫技

長曲中最危險的 failure mode，不一定是錯判，而是 analyzer 對每顆 note 做平方級掃描，讓 agent 在 preflight 卡死。

因此 interval queries、register occupancy 和 cross-track sweeps 都有 bounded index。20,000-event fixture 必須在開發主機兩秒內完成，而且不能 mutation input manifest。

### 4.3 Dry-run 必須走同一條真實路徑

Theory repair 不能用一套簡化預測，最後 build 再用另一套規則。

`vocaloid_edit_song` 的 dry-run 會：

1. 執行真正的 mutation path；
2. 產生 predicted manifest；
3. 比較 before/after theory issues；
4. 比較 metrics 與 intent evidence；
5. 報告 listening review 是否 stale；
6. 不寫 canonical file。

這樣 bounded proposal 才只是 hypothesis，而不是偷偷改歌。

## 5. Repair proposal 與 exception 都不能越權

Theory proposal 最多提供 A/B/C 三個 bounded alternatives，並綁定：

- current manifest revision；
- composition hash；
- source issue code；
- exact issue fingerprint；
- affected stable IDs；
- predicted delta；
- 原本 phrase listening question。

Agent 必須把 proposal 放進真正的 dry-run，再 inspect introduced/resolved issues，最後 audition 才能寫入。

Exception 也不是「忽略 warning」按鈕。它必須綁 exact object set 與 target fingerprint；只要 note、chord、section 或 rule evidence 改變，舊 exception 就 stale，並產生 structural error。

這個設計保留了兩件看似矛盾的事：

- 不讓 agent 為了過測試而亂修音樂；
- 不讓 agent 用自由文字永久壓掉真正的風險。

## 6. 20–30 秒 anchor audition：先把一句做成立

一首三分鐘的歌，如果每次都 full render 才聽，feedback loop 太慢，而且很難知道是哪一層造成問題。

第二階段把第一個 creative closure 固定成一段 20–30 秒 anchor：

1. IA lead solo；
2. lead + harmony；
3. bass + drums + one harmonic instrument；
4. optional full layers；
5. timbre／mix refinement；
6. one-variable loudness-matched A/B。

每一層回答同一個 listening question。

例如：

> 「握緊劍柄」是否只在一瞬間暴露了兩人的警覺，而沒有變成戲劇化決鬥？

如果 lead solo 就沒有這種感覺，加更多 string、reverb 或 limiter 不會救它。

如果 lead solo 正確、full mix 才出問題，root cause 才應該往 arrangement／mix 找。

## 7. Creative journal：保存可復盤決策，不保存假裝精確的心靈讀取

Canonical manifest 保存「現在的歌是什麼」。Creative journal 保存「為什麼選這個版本，以及下一步該聽什麼」。

每份 delivered composition 必須覆蓋：

```text
intent
  → form / meter-tempo / harmony / melody
  → Japanese note allocation
  → IA delivery
  → arrangement
```

每個 bounded decision 記錄：

- objective；
- selected decision；
- concise rationale；
- alternatives 與 disposition；
- expected audible effect；
- actual result（如果已知）；
- affected stable IDs／artifacts／hash dependencies；
- evidence；
- next listening step。

Journal 是 append-only SHA-256 chain。後續 mutation 不刪除舊決策，而是根據 bound objects、artifacts 和 hashes 把它解析成 current、stale 或 superseded。

它刻意不保存 raw hidden chain-of-thought。公開 repository 需要的是可審計理由與證據，不是把 model 的內部 token stream 冒充創作檔案。

本階段四份 package 共保存 71 段 hash-chained decisions：

| 作品 | Revision | Decisions | Voice | 狀態 |
| --- | ---: | ---: | --- | --- |
| `朝がほどく前に` | 41 | 11 | IA_ROCKS | 28 秒 intent-first demo |
| `遠い灯、青い夜` | 52 | 13 | IA_ROCKS | 2:10 cold-start song |
| `風は名を呼ばない` | 88 | 23 | original IA | 3:10 fresh-agent song |
| `雨と蝉のあいだ` | 78 | 24 | IA_ROCKS | 64 秒、190 BPM stability test |

完整 package 位於 [`artifacts/creative-records/`](../artifacts/creative-records/README.md)。

## 8. 「宣告 tuning」不等於 VSQX 裡真的有 tuning

一次非常有價值的檢查發現：manifest 中寫了 dynamics arc、opening arc、focus vibrato 與 final pitch fall，但發布的 VSQX 裡一度沒有對應 `mCtrl`、PIT/PBS 或 non-zero vibrato。

這暴露出四個不同 evidence level：

```text
declared
  ≠ materialized
  ≠ rendered
  ≠ heard
```

- `declared`：gesture 存在於 canonical manifest；
- `materialized`：compiler 真正產生 native note style／control points；
- `rendered`：original Editor 產生 non-silent digest-bound stem；
- `heard`：人或 agent 明確針對一個問題做 listening judgement。

於是 `apply_tuning` compiler 變成 build 前的必要 materialization step。只宣告 gesture 而沒有 compile，preflight 會用 `TUNING_GESTURE_NOT_MATERIALIZED` 阻止 build。

這個問題的趣味之處在於：即使當時沒有花俏曲線，歌曲仍然已經比以前成立。它主要依靠：

- 歌詞；
- melodic contour；
- mora duration；
- selective harmony；
- silence；
- restrained arrangement。

也就是 composition 本身，而不是 automation 裝飾。

## 9. 本地 IA 曲庫：從「profile engine」退回「離線詞彙來源」

最初的計畫非常雄心勃勃：清點本地 IA 曲庫、去重、分 work/version、做 audio features、rhythm/harmony/form estimate、vocal performance estimate、aggregate profile、novelty audit。

本地只讀清點確實發現數百個音訊檔；計畫中的基線記錄了 424 個 FLAC，以及 archive、off-vocal、remix、duet、重複 encode 等 dataset 污染問題。

但很快就出現更根本的問題：

> 我們是在幫 agent 增加作曲選擇，還是在讓它靠近 reference reconstruction？

如果 production agent 可以查：

- 某首曲目的 melody contour；
- nearest neighbor；
- 下一顆音；
- producer-specific range；
- per-track feature；
- reference chord timeline；
- long F0 sequence；

那麼再漂亮的「aggregate」名稱，也可能逐漸變成 copy surface。

最後的決定是把 production aggregate comparison 整體退休。

### 9.1 新的防火牆

Production agent 看不到：

- corpus path；
- source title／producer／work ID；
- per-track features；
- nearest example；
- reference melody／chord／lyric；
- continuation table；
- post-composition percentile fit。

本地曲庫唯一保留的用途是：離線觀察到 DSL 缺少某種廣泛有用的 phrase choice 後，由 maintainer 抽象成 general musical vocabulary，再經 human review 和 versioning。

Production 最後只看到：

```text
role / entry / contour / rhythm / motion / cadence /
development / allocation / articulation / space
```

而且看不到是哪首歌啟發了這個詞彙。

## 10. Phrase grammar DSL：風格選項，不是模板旋律

`vocaloid-phrase-grammar/v1` 放在 intent 與 concrete notes 中間：

```text
phrase purpose
  → grammar blueprint
  → agent-authored notes / rests / allocation
  → IA delivery
  → listening
```

它提供的 dimensions 包括：

- role：statement、answer、contrast、lift、release、hook；
- entry：downbeat、pickup、delayed、offbeat；
- contour：arch、valley、terraces、late peak、asymmetric wave；
- rhythm：long/short contrast、syncopated ties、sparse breath、compound lilt；
- motion：stepwise、repeated tone、leap recovery、chord outline、modal pivot；
- cadence：closed、open、suspended、deceptive、plagal、breath cut；
- development：repeat、fragment、augmentation、displacement、inversion；
- allocation：syllabic、focus melisma、held vowel、consonant pickup；
- articulation：legato、connected accent、detached、delayed vibrato；
- space：semantic breath、caesura、tail rest、interruption。

Bundle 例如 `ia.transparent-longline`、`ia.rocks-forward`、`night.sparse-distance` 只是 unordered option pool。

每個 bundle 都必須宣告：

```text
melody_material = absent
```

DSL 裡沒有：

- pitch sequence；
- scale-degree sequence；
- onset/duration sequence；
- compile-to-melody function；
- continuation table。

Agent 仍必須根據當前 intent、lyrics prosody、harmony 與 form 寫出最後的音。

## 11. 一張截圖讓問題變得不可迴避

`遠い灯、青い夜` 的 VSQX 打開後，旋律視覺上呈現非常明顯的：

```text
上揚 → 下降 → 上揚 → 下降 → 再來一次
```

![早期 cold-start melody 中過度集中的 rise/fall contour](../docs/assets/formulaic-rise-fall-contour.png)

量測也支持這個直覺：

- 20 個 lead phrases 全部從同一 beat 位置進入；
- 97.9% 可比較 motion 是 1–3 semitone step；
- core theory 已經報告 77.9% repeated interval trigrams；
- 13/20 phrases 把最高音放在 late third；
- 最大 normalized contour cluster 是 9/20。

我們沒有讓 analyzer 自動 randomize notes。

相反地，它只回報：

- `PHRASE_ENTRY_HOMOGENEITY`；
- `PHRASE_MOTION_OVERCONCENTRATED`；
- `PHRASE_PEAK_POSITION_CONCENTRATED`。

然後要求 agent 保持 phrase intent，提出 bounded alternative，再 audition。

這是 DSL 真正的定位：讓 agent 看見自己反覆使用了同一種句法，而不是提供另一套模板取代它。

## 12. Mastering A/B：不要讓 louder 冒充 better

同一首 `遠い灯、青い夜` 的另一個人耳反饋是 IA 有尖銳、分離、近似雜音的 texture。

乾 lead、lead+harmony anchor 都乾淨，因此最初「IA_ROCKS 本身有問題」的假設被否證。

Layer ablation 得到：

| Layer | LUFS | LRA | True peak |
| --- | ---: | ---: | ---: |
| processed vocal only | -33.4 | 7.2 | -17.6 dBFS |
| minimal band | -33.4 | 7.2 | -17.6 dBFS |
| full premaster | -33.4 | 7.2 | -17.6 dBFS |
| final delivery | -15.5 | 5.8 | -1.5 dBFS |

Spectral band ratios 幾乎不變，但 final delivery 約大了 18 dB，LRA 也被壓低。

因此我們做 equal-loudness A/B，而不是直接改 IA、EQ、note gate 或 arrangement。

人耳結果是：mastering B 的確稍微多一點那種 texture，但只有直接對比時明顯，整體仍可接受。於是決策是 keep current delivery，不做 global overfit。

框架只新增透明度 metrics：

- requested loudness gain；
- peak-safe gain；
- reaching target 所需 peak reduction；
- source/output LRA delta；
- transparency-review recommendation。

這是一次很典型的「局部問題不能拆東牆補西牆」修法。

## 13. Voicebank investigation：看得到檔案，不等於 Editor 真的能唱

本機 VVD scanner 一度列出 IA 與 IA_ROCKS，但 Editor 只顯示 IA_ROCKS。

調查區分了三層：

1. VVD／DDI／DDB file discovery；
2. 32-bit VOICE3 registration marker presence；
3. original Editor 的實際 isolated render。

IA 最初的 activation-time marker 是全零；後來 legitimate registration state 改變，IA 出現在 Editor。Repository 沒有複製 token、呼叫 activation crack 或繞過 license。

更有趣的是：舊 readiness cache 曾把 IA 與 IA_ROCKS 都標成 verified，但兩個 probe WAV 的 SHA-256 完全相同。

Non-silent 只證明「有東西唱了」，不證明「是你要求的 singer」。

新的 identity guard 因此會拒絕同一 host 上不同 component 的 exact digest collision。最終兩個 voicebank 分別通過 original Editor probe，且 digest 不同。

## 14. Fresh-agent test 之一：`風は名を呼ばない`

為了測框架是否真的可轉移，我們啟動全新的 `gpt-5.6-sol`、`xhigh` session，只給它這個意圖：

> 兩個俠客，分隔數十年，再次重逢，在懸崖峭壁上擦肩而過。沒有寒暄，沒有停留。各自握緊腰間的劍，相忘於江湖。

它不得讀本地 IA 曲庫、舊歌 manifest／artifact、先前 cold-start output 或既有 compose scripts。

它最後完成 `風は名を呼ばない`：

- original IA；
- 3:09.943；
- 68 measures；
- 12 tempo events；
- 一次 2/4 subtraction；
- 36 vocal phrases；
- 433 vocal events；
- 5 arrangement tracks；
- 23 hash-chained decisions。

最重要的創作選擇是：IA 不是任何一名俠客，而是沒有名字的山風。最大 melodic departure 留給「柄を握り」，兩人擦肩後少掉一個預期 half-bar。

這證明新的 agent 能掌握：

```text
intent → theory → note allocation → IA delivery → arrangement
```

但它也寫出約 164 KiB 的 bespoke runner，並暴露：

- MCP client timeout 短於 Editor render；
- dead Editor lease；
- Save As filename automation 間歇失敗；
- journal retry 不夠 idempotent；
- phrase-entry analyzer 忽略 leading rests；
- endpoint-only intent trend 無法描述 local crest；
- warning volume 太大；
- report/publish rerun 不夠順；
- raw stems gain 差距很大。

這些不是 paper design，而是三分鐘真歌把 framework 撞出來的缺陷。

## 15. 把一次成功變成下一個 session 可以重現的流程

接著我們把 song-specific orchestration 抽成：

- 固定 agent prompt：[`prompts/vocaloid-composition-agent.md`](../prompts/vocaloid-composition-agent.md)；
- strict intent schema：`vocaloid-composition-brief/v1`；
- 每首歌一份 `intents/*.intent.json`；
- MCP prompt：`vocaloid_compose_from_intent`；
- CLI renderer：`npm run compose:prompt`；
- shared production client：`scripts/lib/production-mcp.mjs`。

Intent file 明確保存：

- scene／emotional color／dramatic motion／perspective；
- one listener question；
- target duration range；
- BPM min/max/preferred；
- exact voice component ID；
- genre／style tags；
- arrangement hints；
- must-avoid constraints；
- corpus／prior artifact／reference boundaries；
- fresh-session 與 issue-recording requirements。

固定 prompt 不再把曲意混進 workflow。換一首歌只換 intent file，agent 仍使用同一組安全、evidence 與 audition contract。

## 16. Fresh-agent test 之二：190 BPM 的 `雨と蝉のあいだ`

最後的 transfer test 使用：

```json
{
  "intent": "夏夜，雨，蟬鳴",
  "voice": "IA_ROCKS",
  "genre": "rock",
  "tempo_bpm": { "min": 180, "max": 200, "preferred": 190 },
  "target_duration_seconds": { "min": 50, "max": 70 }
}
```

新的 `gpt-5.6-sol`／`xhigh` session 只拿到 fixed prompt 和 validated intent。它完成：

- title：`雨と蝉のあいだ`；
- 190 BPM；
- 48 bars；
- 64.399683 seconds；
- D Dorian／minor field；
- IA_ROCKS lead 241 notes；
- IA_ROCKS harmony 46 notes；
- 5 accompaniment roles；
- 24 creative decisions；
- schema-valid VSQ3；
- 18 DYN、15 BRI、4 PIT、2 PBS、3 CLE；
- 3 顆 non-zero native vibrato notes；
- -16.3 LUFS、-1.2 dBTP、zero clipped samples。

![48-bar arrangement map and the split between engineering and listening](../docs/assets/ame-semi-no-aida-arrangement-map.svg)

### 16.1 高 BPM 沒有把 pipeline 撞壞

Intent schema 驗證 preferred BPM 必須落在 min/max 內。Agent 選了 190，並透過 density change 與 half-time perception 避免全曲變成連續 subdivision flood。

Editor export、stem alignment、mix、master、creative package 與 final current-artifact preflight 都完成。

從 stability 角度，測試成功。

### 16.2 新 session 仍然會猜錯 response shape

Run code 兩次在 canonical mutation 已成功後拋 exception：

- 猜測 `preview.diff.totalChanges`；
- 猜測 `predicted_revision`。

修法不是把這兩個 field 寫進 prompt，而是讓 shared client 統一 normalize：

```text
before
preview
applied
summary {
  sourceRevision,
  predictedRevision,
  appliedRevision,
  totalChanges,
  compositionHash,
  mixHash,
  contentHash
}
```

它同時拒絕 dry-run/apply revision drift、change-count drift 與缺失的 integer fields。

### 16.3 D Dorian 被錯當 major leading tone

Theory analyzer 一度把 D Dorian 的 C natural 全部當成「導音未解決」，產生 17 個 false warnings。

Root cause 是程式無條件把 scale degree 7 命名為 leading tone。

修法是先檢查它是否真的位於 tonic 下方一個 semitone。Dorian、Mixolydian、Aeolian 的 whole-tone subtonic 不應承擔 major-key leading-tone resolution duty。

修正後，未改動歌曲的 17 個 false warnings 全部消失。

### 16.4 Whole-track mean 會把 sparse harmony 上下關係顛倒

Lead verse 的低音會拉低全曲 mean；harmony 只在 chorus 出現。用 whole-track mean 判斷 upper/lower voice，會把 simultaneous relationship 顛倒並製造 46 個 crossing warnings。

修法改成 overlap-duration-weighted mean，只用真正同時發聲的 material 推斷聲部角色。

Regression fixture 也被迫修正：舊測試原來靠非重疊音符製造「假 crossing」，新 fixture 必須真的在同一時刻 crossing。

### 16.5 F0 tracker 抓到第二泛音

五個 MIDI-67 windows 被報成約 +1,166 ～ +1,197 cents。Native VSQX note number 正確，within-event 和 neighbor evidence 也指向 392 Hz；tracker 卻抓到約 768–783 Hz。

我們沒有把所有接近 octave 的結果強制折回 expected note。那樣會掩蓋真正錯八度的 render。

這個 limitation 被保留為 open：未來需要同時評估 subharmonic spectral support、periodic confidence 與 temporal continuity。

## 17. 真實 WAV 能畫出很多東西，但畫不出「Rock 成不成立」

最終 WAV 的 stereo waveform：

![雨と蝉のあいだ stereo waveform](../docs/assets/ame-semi-no-aida-waveform.png)

Log-frequency spectrogram：

![雨と蝉のあいだ spectrogram](../docs/assets/ame-semi-no-aida-spectrogram.jpg)

這些圖可以幫我們看：

- section density；
- channel activity；
- transient repetition；
- broad spectral occupation；
- mastering 後的 overall envelope。

它們不能直接回答：

- IA 是否站在 mix 前面；
- guitar 是否真的有 physical attack；
- drum groove 是否有推進感；
- chorus 是否爆開；
- 這首歌是否「像 Rock」；
- listener 是否被一句話擊中。

Spectrogram 不是 genre oracle，LUFS 也不是 emotion meter。

## 18. 最後的人耳 feedback：最重要的兩個紅字

在所有 technical gates 通過後，使用者對 `雨と蝉のあいだ` 的最終回饋是：

1. IA 的聲音被配樂蓋完了；
2. 整體還是比較平淡，沒有做出 Rock 的感覺。

這次依照要求不再修改歌曲。

這個結果值得被完整保留，因為它揭示了目前最重要的 gap。

### 18.1 「IA 被蓋住」不是 mastering pass 就能避免

Final WAV 可以同時滿足：

- integrated loudness target；
- true-peak ceiling；
- zero clipped samples；
- stereo balance；
- current artifact hashes；

但 vocal masking 仍可能存在。

現有 mix diagnostics 更擅長抓 absolute loudness、peak、broad balance 和 structural overlap；它還不擅長保證 vocal presence、consonant intelligibility、midrange ownership 和 section-by-section foreground hierarchy。

更好的下一步不是自動把 vocal 加 6 dB，而是：

- section-aware vocal-to-band loudness ratio；
- consonant-band masking observation；
- vocal-present/vocal-muted delta；
- arrangement slot declaration；
- anchor listening 中明確問「IA 是否仍在前景？」；
- 人耳選擇 gain／EQ／arrangement subtraction，而非 metrics 自動 mutation。

### 18.2 「190 BPM + guitar + drums」不等於 Rock

目前 DSL 可以讓 agent 選 `ia.rocks-forward`、syncopation、power-chord register、drum drive、half-time perception。

但真正的 Rock 感往往來自更細的 interaction：

- kick／bass／guitar attack 的 microtiming；
- drum fill 與 section handoff；
- guitar articulation、mute、strum direction、amp behavior；
- bass 對 groove 的推拉，而非只跟 root/fifth；
- vocal phrase 對 backbeat 的抵抗；
- verse 與 chorus 的 physical contrast；
- performance imperfection；
- sound design 與 musician-like phrasing。

本專案使用的 GM SoundFont 是 deterministic draft backend。它可以驗證 arrangement event、routing 和 mix pipeline，卻不是一支有手感的 Rock band。

這是一個 renderer 與 composition 共同的限制，不能只靠 prompt 補上。

## 19. 這一階段真正證明了什麼

### 19.1 已證明

- Intent 可以成為 canonical state，而不是一次性 prompt；
- Fresh agent 能遵循 intent-first workflow；
- 樂理檢查可以 deterministic、bounded、non-mutating；
- Theory proposal 可以保持 phrase question，而不篡改創作目的；
- Warning、exception、listening gate 可以分離；
- Japanese note allocation 可以被完整記錄；
- Tuning intent 可以被 compiler materialize 為 native VSQX controls；
- Creative decisions 可以形成 hash chain 並跨 revision 解析 freshness；
- Phrase grammar 可以增加 vocabulary 而不提供模板音符；
- Local IA corpus 可以被隔離在 production runtime 之外；
- IA 與 IA_ROCKS 可以用 real Editor + distinct digest 驗證 identity；
- Fresh session 可以生成完整 original song、VSQX、WAV、stems、A/B 與 record；
- BPM range 180–200 的 strict intent 可以穩定完成 190 BPM delivery；
- 真實歌曲能有效暴露 API、analyzer、retry 和 UI automation 缺陷。

### 19.2 未證明

- Agent 能穩定寫出好旋律；
- Phrase grammar 能保證不平淡；
- Theory clean 代表 emotional success；
- Native controls 多代表更自然；
- LUFS／LRA／spectral metrics 能判定 mix 好聽；
- IA-style vocabulary 能產生「IA 神曲」；
- GM accompaniment 可以提供可信的 Rock performance；
- Fresh agent 在不同 intent 上都能保持同樣品質；
- 一首通過所有 gate 的作品值得 release。

## 20. 為什麼「神曲沒有被工程化」是一個健康的結論

如果這個專案最後聲稱：

```text
intent schema + theory rules + phrase DSL + metrics = good song
```

那它反而失敗了。

因為它會把 taste、surprise、timing、performance、文化語境和 listener response 壓縮成一組可以刷分的 feature。

目前更合理的分工是：

| Agent 擅長 | Framework 擅長 | 人仍然不可替代 |
| --- | --- | --- |
| 提出多個 realization | 保存 state 與 provenance | 聽出「就是不對」 |
| 快速改 form／melody／allocation | 防止 corruption／stale artifact | 判斷情感與風格是否成立 |
| 生成 arrangement hypotheses | 建立 bounded A/B | 選擇值得留下的版本 |
| 記錄理由與 alternatives | 量測、驗證、重跑 | 決定何時停止 |
| 從真實 failure 學習 workflow | 把 failure 變 regression | 對作品負責 |

因此，Agent 已經很適合成為：

- composer assistant；
- production engineer；
- experiment operator；
- obsessive documentation partner；
- 一個不怕做第十七次 A/B 的隊友。

但它還不是「按一下就出神曲」的機器。

## 21. Repository 最後保存什麼

公開 repository 不會追蹤巨大的本地音訊工作區。

| 路徑 | Git policy | 原因 |
| --- | --- | --- |
| `artifacts/songs/` | local-only | final WAV 大、可能涉及發布／授權選擇 |
| `artifacts/evals/` | local-only | stems、A/B、debug exports、agent traces |
| `build/` | local-only | canonical working state、cache、temporary renders |
| `artifacts/creative-records/` | tracked | manifest snapshot、journal、report、digest index |
| `artifacts/vsqxs/` | tracked | native project evidence，不內嵌 voicebank 或 final WAV |
| `notes/` | tracked | contracts、failure logs、evaluation evidence |
| `blogs/` | tracked | 可閱讀的工程與創作回顧 |

VSQX 會保存 backing path reference，但不內嵌 WAV。Creative-record index 會保存 final deliverable digest，但不複製大型媒體。

這讓 repository 保留可審計的創作與工程證據，同時不把 2.6 GB local experiments 變成 Git history。

---

## 結論

第一階段把「從空白 timeline 到 native rendered song」做成了一條可靠工程管線。

第二階段則把問題往前推了一步：

```text
不是只問：它能不能唱？
而是先問：我希望 IA 在這一句裡唱出什麼？
```

我們建立了 intent、theory、phrase grammar、note allocation、delivery、audition、journal 和 fresh-session transfer。Agent 已經能把模糊的場景寫成一份可檢查、可修改、可渲染、可復盤的完整作品。

然後人耳仍然可以在最後說：

```text
IA 被蓋住了。
Rock 感沒有出來。
```

而系統不會拿 100 個 passed tests 反駁你。

這或許才是第二階段最重要的成果：我們不只讓 agent 會做歌，也讓整個系統開始有能力誠實面對「歌做完了，但還沒有成為好歌」這件事。

> 這次已經證明：Agent 可以成為相當不錯的 composer assistant、production engineer 和實驗夥伴；但「神曲」目前仍然沒有被工程化解決。