开发者用 ONNX Runtime Web 实现 AI 和弦识别纯浏览器本地运行，打造 ChordFold

开发者近日发布了一款名为 ChordFold 的音乐 Web 工具（chordfold.com），核心功能是用户选择本地 MP3 或 WAV 音频文件后，由 AI 自动识别其中的和弦及和弦随时间的变化。与需要上传音频到服务器的识别服务不同，该项目采用浏览器本地推理方案：使用 BTC 系列和弦识别模型，将其转换为 ONNX 格式，通过 ONNX Runtime Web 在浏览器内执行 WASM 推理，并对音频进行解码和 CQT 特征提取，模型预测后对结果进行平滑处理，生成和弦时间轴。用户操作流程为选择本地音频、首次使用时下载识别模型、浏览器本地分析后得到按时间排列的和弦结果，点击时间轴上的和弦可跳转至对应位置回听，同时支持查看吉他和弦指法图与钢琴音符参考。目前工具限制音频最大 14MB、最长 10 分钟。作者选择本地推理的考量包括三点：音频不上传服务器具有隐私优势、无需为每个用户请求支付云端 GPU 推理费用、工具本身无需用户注册账号。缺点方面，模型首次下载需要时间，不同设备上的 WASM 推理性能差异较大；识别准确率上，干净的钢琴和吉他音频较易分析，但复杂编曲、失真、转位和弦及快速切换片段仍可能出错。作者明确表示不会宣传未经测试的准确率数据，后续计划持续优化识别效果、模型加载速度和结果交互体验，并希望与音乐信息检索（MIR）领域的开发者交流浏览器端音频推理的优化方向及更优的开源模型选择。

事件分析

核心观点：当模型权重能直接跑进浏览器，云端 GPU 成本壁垒与用户隐私焦虑被同时瓦解，端侧推理正在重塑轻量 AI 应用的架构选择。