用于音频指纹识别与检索的预训练Conformers
声音
2025-09-12 v2 人工智能
信息检索
音频与语音处理
摘要
Conformers因其捕捉局部和全局交互的能力在语音处理中取得了很好的结果。在本工作中，我们利用自监督对比学习框架训练基于Conformer的编码器，这些编码器能够为小的音频片段生成独特的嵌入，并很好地泛化到先前未见过的数据。我们在使用仅3秒音频生成嵌入的情况下取得了音频检索任务的最先进结果。我们的模型几乎完全不受时间错位的影响，并在其他音频失真（如噪声、混响或极端时间拉伸）的情况下取得了最先进的结果。代码和模型公开发布，并且由于我们使用流行的、免费可用的不同规模数据集进行训练和测试，结果易于复现。
引用
@article{arxiv.2508.11609,
title = {Pretrained Conformers for Audio Fingerprinting and Retrieval},
author = {Kemal Altwlkany and Elmedin Selmanovic and Sead Delalic},
journal= {arXiv preprint arXiv:2508.11609},
year = {2025}
}