一句话定义：MIDI（Musical Instrument Digital Interface）是 1983 年定下的电子乐器通信标准，本质是一串“在什么时刻、按哪个键、按多重、按多久”的事件指令，不是声音本身。在 AI 音乐里，它常被当作音符级的中间表示（intermediate representation）。模型先生成结构化事件，再交给音源渲染成波形。
打个比方：MIDI 像一张点菜单——“第 3 小节，钢琴，C4，力度 80，持续半拍”；音频波形则是端上桌的那盘菜。菜单能精确改，菜端上来就改不动了，只能整盘重做。
里面到底有什么：一条 MIDI 消息通常包含 note number（音高，0–127）、velocity（力度）、channel（通道，可理解为乐器槽）和时间戳（相对上一个事件的间隔）。再加上 control change（踏板、音量等连续控制）、program change（换音色）、tempo 与拍号，按时间排好，就是一段“演奏”。
AI 怎么用它：常见两种形态。一是 piano roll 矩阵：横轴时间、纵轴音高，格子里填力度，本质是一张稀疏“点阵图”，可以直接喂给卷积或扩散模型。二是 token 序列：把 note-on、note-off、time-shift、velocity 等事件排成词表，像语言模型一样自回归预测下一个事件；REMI 一类表示就是这种思路。生成完再解码回 .mid 文件。
| 记录的东西 | 能否直接听 | 可编辑性 | |
|---|---|---|---|
| MIDI | 演奏事件（音高、时值、力度） | 否，要音源渲染 | 高，改一个音不影响别处 |
| 音频波形 | 空气振动的采样 | 是 | 低，改一个音往往要重生成 |
| 乐谱（如 MusicXML） | 记谱符号（小节、声部、连音线） | 否 | 高，但偏谱面而非演奏 |
和相邻概念的区别：MIDI 在“演奏层”，MusicXML 在“记谱层”，波形在“信号层”。三者不是精度高低，而是抽象层级不同：MIDI 能表达揉弦、渐强这类演奏动作，但表达不了“这是不是附点节奏”这类乐理语义；波形有全部音色细节，却没有“第几个音”这种可操作单位。
对从业者的意义：训练数据便宜、序列短、算力省，还能算客观指标（音高准确率、节奏一致性、和弦合法性）。代价是丢音色与空间感：模型指标好看，不等于渲染出来好听，最终听感很大程度取决于音源。常见链路是“生成 MIDI → 换音源渲染”，也有反方向的“音频转 MIDI”（音高识别加节拍对齐），误差会逐级累积。
对普通人的意义：做短视频配乐或 demo，先生成 MIDI 再挑音色，同一段旋律能秒变钢琴版、弦乐版；发现错音只改一个事件，不用整段重生成。
判断一个 AI 音乐产品在干什么，先问一句：它输出的到底是波形，还是事件。