name: score-alignment description: Diagnose recognition accuracy by aligning expected events (score_structure.json or expectedPerformance fallback) with recognizer output user_invocable: true arguments:
- name: fixture description: Fixture name (e.g., bwv147-sequence-163-01) required: true
- name: options description: "Options: --verbose, --mode events|segments|candidates|segment-debug, --line L1, --no-cache" required: false
<command-name>score-alignment</command-name>
Compare expected events with recognizer output using ordered matching. If the fixture has a score_structure.json (multi-line score structure, e.g. BWV147 sequence-163), use that for per-line matching. Otherwise fall back to a synthetic single line built from a simpler metadata source so the script also works on simple fixtures (e.g. c4-repeat-01, mixed-sequence-01).
Expected event source priority
score_structure.json— multi-line score withlines[].id,eventRange,content. Used when present (e.g. BWV147 sequence-163).request.json:expectedPerformance.events— Web UI's clickable-kalimba-ui ordered event list. Set on every captured fixture. Synthesized into a single lineALL.expected.json:assertions.expectedEventNoteSetsOrdered— last-resort fallback. Only set on promoted (completed) fixtures; derived from recognizer output, so it requires the recognizer to already match the truth.
The script logs which source was used via stderr [synthetic-line] using <source> (N events) when falling back.
Instructions
Run the alignment diagnosis script:
uv run python scripts/audio-analysis/score_alignment_diagnosis.py <fixture> [--verbose] [--mode events|segments|candidates|segment-debug] [--line L1] [--no-cache]
Modes
| Mode | Description |
|---|---|
events (default) | Post-processed final output (mergedEvents) aligned vs expected. |
segments | Raw segmentCandidates before event post-processing, aligned vs expected. |
candidates | Event-level timeline: final events + alts + candidate slots. No expected data needed. |
segment-debug | Per-segment internal trails: ranked candidates, secondary decisions, NarrowFFT. No expected data needed. |
candidates mode (event-level)
Free Performance fixture 等、期待データのない fixture の実用ビュー。Final events を中心に：
- 各 event の primary notes と soft-rejected alternates (conf 付き)
- event間に挟まった candidate slots (dropped segments / orphan onsets / sub-onset rescues)
- すべて時系列順に統合表示
segment-debug mode (内部挙動の深掘り)
recognizer が各セグメントで何を候補として見て何を採用・棄却したかの詳細を一覧化する:
- 各セグメントの primary / ranked / secondary decision trail
--verboseで dropped segments と NarrowFFT sub-onset detail も表示
両モードとも evaluation scope cropping を適用せず full audio で認識を実行。
Output symbols
| Symbol | Meaning |
|---|---|
| ✓ | Exact match (all notes correct) |
| ⊂ | Subset — detected notes are correct but incomplete (POLYPHONY limit) |
| ⊃ | Superset — all expected notes detected plus extra |
| △ | Partial — some overlap but missing and extra notes |
| ✗ | Mismatch — no note overlap |
| ∅ | No matching segment found (onset missing) |
Rejection reasons for missing notes are shown in [note→reason] format (cross-referenced from segmentCandidates trail in both modes).
Per-line +N extra segments: lines list detected events that did not match any expected event in the line. The bottom SUMMARY block reports the total via Extra segments: N — useful for spotting over-detection regressions across runs.
Caching
transcription 結果は apps/api/tests/.cache/score_alignment/ に永続化される。キャッシュキーには audio bytes + リクエストデータ + apps/api/app/transcription/ 配下の .py ファイル全体のフィンガープリントが含まれる。
- 同じ fixture を
--line違いで繰り返し呼ぶと 2 回目以降は ~1秒 で完了 (フルパイプライン ~30s-3min を回避) - recognizer コードを編集すると次回は自動的に miss → fresh run (stale を踏まない設計)
- 編集を revert すると元のキーに戻ってヒットする
--no-cache を指定するとキャッシュ読み取りをスキップして fresh run を強制するが、結果はキャッシュに書き込まれるので次回は高速。recognizer コードを変更した場合はフィンガープリントが自動で変わるため --no-cache は不要 — データファイル変更やキャッシュ破損を疑う場合にのみ使う。
SUMMARY ブロックの末尾に Cache: hit/miss/fresh <key> (recognizer: <fp>) が出力される。recognizer: の値で、どのコードバージョンの結果かを確認できる。
キャッシュディレクトリ削除: rm -rf apps/api/tests/.cache/score_alignment/ (累積したエントリを掃除したい場合)
Cache を直接読んで recognizer 内部挙動を解析する
cache JSON には payload["debug"]["segmentCandidates"] 以下に 全 segment の rich debug info (primaryCandidate / rankedCandidates / secondaryDecisionTrail / 物理量) が含まれている。 これを inline Python で読むことで、 fixture を再実行せずに以下が可能:
- 特定 reason を持つ event を抽出:
secondaryDecisionTrailのreasonsfield でscore-below-threshold/contiguous-tertiary-extension等を grep - 物理量比較: false positive と true positive を
attackEnergy/sustainEnergy/fundamentalRatio/candidateOnsetGain等で比較し discriminator を発見 - gate 設計の calibration data 収集: 複数 fixture の cache を読んで threshold の境界を実証的に決定
詳細な構造、 inline Python パターン、 G3d (2026-04-10) での実証例は memory/reference_score_alignment_cache.md を参照。
Known Limitations
個別イベントの failure 分析には使わないこと。 ordered matching はセグメント/イベント数と期待イベント数が一致しない場合にアライメントがずれ、誤った failure 原因を報告する。
- 全体精度（exact %）と failure カテゴリの大局把握には有効
- 個別イベントの原因分析には
/audio-energy-trace+ debug 出力の手動確認を推奨
Example Usage
/score-alignment bwv147-sequence-163-01
/score-alignment bwv147-sequence-163-01 --verbose
/score-alignment bwv147-sequence-163-01 --mode segments
/score-alignment bwv147-sequence-163-01 --line R4
/score-alignment kalimba-17-c-free-performance-01 --mode candidates
/score-alignment kalimba-17-c-free-performance-01 --mode segment-debug
/score-alignment kalimba-17-c-free-performance-01 --mode segment-debug --verbose