然后“文曲·尹稚”会搜索该设备内置的歌曲数据库，寻找相似的嵌入序列，这些序列也是使用相同的神经网络处理流行歌曲生成的。“数据库搜索”使用两阶段算法来识别匹配的歌曲。第一阶段，使用快速但不准确的算法搜索整个歌曲数据库，找出一些可能的候选歌曲；在第二阶段，详细分析每首候选歌曲，以找出正确的匹配歌曲(如果有的话)。

用一系列的嵌入代替单一的嵌入，对于“听歌听友”匹配歌曲的准确性非常重要。指纹识别神经网络仅通过单次嵌入来识别歌曲是不够准确的——每次嵌入都会产生大量的误报。但是结合多次嵌入的结果，很容易消除误报，因为每一次嵌入都可以匹配到正确的歌曲，而误报只匹配一两次输入音频的嵌入。

扩展“声音搜索”服务器的“听音乐”功能

到目前为止，我们已经详细介绍了如何将歌曲与设备内置数据库中的歌曲进行匹配。最大的挑战是，很多歌曲会产生上千次的假阳性结果，从“和朋友一起唱歌”到上亿首歌曲的“声音搜索”。为了在不做其他改变的情况下补偿这一点，我们不得不提高识别阈值，这意味着如果我们想要得到确认的匹配结果，我们需要识别更多的音频。不过新版“语音搜索”服务器的目标是比“闻音乐和朋友”匹配更快，而不是更慢。因此，我们不希望用户等待一个结果超过10秒。

由于“声音搜索”是服务器端系统，它不受处理和存储数据的约束，就像“听歌”一样。因此，我们在指纹识别方面做了两项重大改变，这两项改变都以牺牲服务器资源为代价提高了准确性:

我们还决定根据歌曲的流行程度来加权指数。事实上，我们降低了流行歌曲的匹配阈值，提高了未知歌曲的匹配阈值。总之，这意味着我们可以几乎无限期地向数据库中添加更多(未知)歌曲，而不会显著降低识别速度。

结论

对于“听音乐，认识朋友”，我们原本打算用机器学习来创建一个音频指纹识别系统，不仅要功能强大，还要设计得足够简单，完全可以在手机上运行。但实际上，我们已经成功打造了一款优秀的全方位音频指纹识别系统，并将其设计思路扩展到服务器端的“声音搜索”系统，虽然“声音搜索”面临的挑战与“听音乐”不同。

当音乐声音很小或者在很嘈杂的环境下，我们每次都无法匹配，这意味着我们还有空的很大提升，但是我们坚信可以提高系统的识别速度。我们将继续迎接这些挑战，目标是提供新一代音乐识别技术。想知道下次放什么音乐，试试！您可以在主屏幕上创建如下快捷方式:

然后“文曲·尹稚”会搜索该设备内置的歌曲数据库，寻找相似的嵌入序列，这些序列也是使用相同的神经网络处理流行歌曲生成的。“数据库搜索”使用两阶段算法来识别匹配的歌曲。第一阶段，使用快速但不准确的算法搜索整个歌曲数据库，找出一些可能的候选歌曲；在第二阶段，详细分析每首候选歌曲，以找出正确的匹配歌曲(如果有的话)。

用一系列的嵌入代替单一的嵌入，对于“听歌听友”匹配歌曲的准确性非常重要。指纹识别神经网络仅通过单次嵌入来识别歌曲是不够准确的——每次嵌入都会产生大量的误报。但是结合多次嵌入的结果，很容易消除误报，因为每一次嵌入都可以匹配到正确的歌曲，而误报只匹配一两次输入音频的嵌入。

扩展“声音搜索”服务器的“听音乐”功能

到目前为止，我们已经详细介绍了如何将歌曲与设备内置数据库中的歌曲进行匹配。最大的挑战是，很多歌曲会产生上千次的假阳性结果，从“和朋友一起唱歌”到上亿首歌曲的“声音搜索”。为了在不做其他改变的情况下补偿这一点，我们不得不提高识别阈值，这意味着如果我们想要得到确认的匹配结果，我们需要识别更多的音频。不过新版“语音搜索”服务器的目标是比“闻音乐和朋友”匹配更快，而不是更慢。因此，我们不希望用户等待一个结果超过10秒。

由于“声音搜索”是服务器端系统，它不受处理和存储数据的约束，就像“听歌”一样。因此，我们在指纹识别方面做了两项重大改变，这两项改变都以牺牲服务器资源为代价提高了准确性:

我们还决定根据歌曲的流行程度来加权指数。事实上，我们降低了流行歌曲的匹配阈值，提高了未知歌曲的匹配阈值。总之，这意味着我们可以几乎无限期地向数据库中添加更多(未知)歌曲，而不会显著降低识别速度。

结论

对于“听音乐，认识朋友”，我们原本打算用机器学习来创建一个音频指纹识别系统，不仅要功能强大，还要设计得足够简单，完全可以在手机上运行。但实际上，我们已经成功打造了一款优秀的全方位音频指纹识别系统，并将其设计思路扩展到服务器端的“声音搜索”系统，虽然“声音搜索”面临的挑战与“听音乐”不同。

当音乐声音很小或者在很嘈杂的环境下，我们每次都无法匹配，这意味着我们还有空的很大提升，但是我们坚信可以提高系统的识别速度。我们将继续迎接这些挑战，目标是提供新一代音乐识别技术。想知道下次放什么音乐，试试！您可以在主屏幕上创建如下快捷方式:

然后“文曲·尹稚”会搜索该设备内置的歌曲数据库，寻找相似的嵌入序列，这些序列也是使用相同的神经网络处理流行歌曲生成的。“数据库搜索”使用两阶段算法来识别匹配的歌曲。第一阶段，使用快速但不准确的算法搜索整个歌曲数据库，找出一些可能的候选歌曲；在第二阶段，详细分析每首候选歌曲，以找出正确的匹配歌曲(如果有的话)。

用一系列的嵌入代替单一的嵌入，对于“听歌听友”匹配歌曲的准确性非常重要。指纹识别神经网络仅通过单次嵌入来识别歌曲是不够准确的——每次嵌入都会产生大量的误报。但是结合多次嵌入的结果，很容易消除误报，因为每一次嵌入都可以匹配到正确的歌曲，而误报只匹配一两次输入音频的嵌入。

扩展“声音搜索”服务器的“听音乐”功能

到目前为止，我们已经详细介绍了如何将歌曲与设备内置数据库中的歌曲进行匹配。最大的挑战是，很多歌曲会产生上千次的假阳性结果，从“和朋友一起唱歌”到上亿首歌曲的“声音搜索”。为了在不做其他改变的情况下补偿这一点，我们不得不提高识别阈值，这意味着如果我们想要得到确认的匹配结果，我们需要识别更多的音频。不过新版“语音搜索”服务器的目标是比“闻音乐和朋友”匹配更快，而不是更慢。因此，我们不希望用户等待一个结果超过10秒。

由于“声音搜索”是服务器端系统，它不受处理和存储数据的约束，就像“听歌”一样。因此，我们在指纹识别方面做了两项重大改变，这两项改变都以牺牲服务器资源为代价提高了准确性:

我们还决定根据歌曲的流行程度来加权指数。事实上，我们降低了流行歌曲的匹配阈值，提高了未知歌曲的匹配阈值。总之，这意味着我们可以几乎无限期地向数据库中添加更多(未知)歌曲，而不会显著降低识别速度。

结论

对于“听音乐，认识朋友”，我们原本打算用机器学习来创建一个音频指纹识别系统，不仅要功能强大，还要设计得足够简单，完全可以在手机上运行。但实际上，我们已经成功打造了一款优秀的全方位音频指纹识别系统，并将其设计思路扩展到服务器端的“声音搜索”系统，虽然“声音搜索”面临的挑战与“听音乐”不同。

当音乐声音很小或者在很嘈杂的环境下，我们每次都无法匹配，这意味着我们还有空的很大提升，但是我们坚信可以提高系统的识别速度。我们将继续迎接这些挑战，目标是提供新一代音乐识别技术。想知道下次放什么音乐，试试！您可以在主屏幕上创建如下快捷方式: