它是什么
先做信号处理、最后交给 Jev 的拉格识别。
它做什么： 音频被解码为 16 kHz 单声道。流程先锁定主音，追踪音高，再生成音级直方图和乐句特征。它对目录中的每个拉格做声学打分，把前 12 名（外加一个「不在目录中」选项）作为一批 Choice、Score 和 Noul 问题发给 Jev。最终结果把所属音阶族和拉格的概率相乘。没有密钥时，可以只运行声学阶段，或在浏览器里运行本地 OpenJev 引擎。
为什么收进案例库： 一个非文本领域的案例：代码负责构建特征，Jev 做最后的分层选择，并且公布了与向量嵌入基线的对比。
注意： 基准规模小；Jev 带来的提升小；收录时没有许可证文件。
证据
Hemanth.HM 的公开仓库，附在线网页工作室（h3manth.com/fun/swaraga）；README 介绍了一个含 962 个拉格的目录、YIN 音高追踪、12 音级直方图，以及束搜索分数 sqrt(P(Thaat) x P(Raga))；作者在 46 段音频上的基准测试显示：在全部 962 个拉格上，带 Jev 的完整流程 top-1 准确率为 84.8%，只用信号处理阶段为 82.6%（在 14 个拉格的小集合上两者都是 93.5%）；p50 延迟分别为 367.5 毫秒和 182.8 毫秒。
注意
- 基准测试只有 46 段音频；和只用信号处理相比，Jev 带来的提升很小
- README 写的是 MIT 许可，但收录时仓库里没有许可证文件
- 音阶完全相同的拉格无法只靠音高数据区分；作者依靠 Jev 根据乐句来区分
非官方案例页。热度用观察到的 stars / 列表位次；热度不是质量 SLA。依赖前请阅读上游 README。