论语音与音频基础模型在缭果鸟叫声分析中的实用性

缭果鸟的叫声编码着关键信息，作为人类声音通信演化起源的神经生物学模型。传统上使用信号处理特征进行分析，最近的做法利用在人类语音上预训练的自监督模型进行特征提取，利用其独立于声学域的学习信号内在结构的能力。然而，这些基础模型在缭果鸟叫声分析中在多类别分类、带宽和预训练域方面的实用性尚不明确。本研究评估了来自语音和通用音频域的特征表示，这些特征在4、8和16 kHz的预训练带宽下，用于缭果鸟叫声类型和叫声者分类任务。结果表明，带宽更高的模型性能更好，语音或通用音频的预训练结果相当，均优于光谱基线。