セグメント長の重要性：音声フィンガープリンティング性能に及ぼすセグメント長の影響に関する研究

Segment Length Matters: A Study of Segment Lengths on Audio Fingerprinting Performance

January 25, 2026

著者: Ziling Gong, Yunyan Ouyang, Iram Kamdar, Melody Ma, Hongjie Chen, Franck Dernoncourt, Ryan A. Rossi, Nesreen K. Ahmed

cs.AI

要旨

音響フィンガープリンティングは、音響信号を識別可能な表現に変換する技術であり、後続の識別・検索システムで利用される。識別力の高い表現を得るため、入力音声は通常、短い時間区間に分割され、局所的な音響特徴の抽出と分析が行われる。現代のニューラルネットワークに基づく手法では、短く固定長の音声セグメントを処理対象とするのが一般的であるが、セグメント長の選択は経験的に決定されることが多く、その影響は十分に検証されていない。本論文では、セグメント長が音響フィンガープリンティングの性能に与える影響を検討する。既存のニューラルフィンガープリンティングアーキテクチャを拡張し、様々なセグメント長に対応させ、異なるセグメント長とクエリ長における検索精度を評価した。結果として、短いセグメント長（0.5秒）が一般的に優れた性能を達成することが明らかとなった。さらに、最適なセグメント長の推薦における大規模言語モデル（LLM）の能力を評価し、調査対象3モデルの中でGPT-5-miniが5つの観点で一貫して最適な提案を行うことを示した。本研究成果は、大規模ニューラル音響検索システムにおけるセグメント長選択の実用的な指針を提供する。

English

Audio fingerprinting provides an identifiable representation of acoustic signals, which can be later used for identification and retrieval systems. To obtain a discriminative representation, the input audio is usually segmented into shorter time intervals, allowing local acoustic features to be extracted and analyzed. Modern neural approaches typically operate on short, fixed-duration audio segments, yet the choice of segment duration is often made heuristically and rarely examined in depth. In this paper, we study how segment length affects audio fingerprinting performance. We extend an existing neural fingerprinting architecture to adopt various segment lengths and evaluate retrieval accuracy across different segment lengths and query durations. Our results show that short segment lengths (0.5-second) generally achieve better performance. Moreover, we evaluate LLM capacity in recommending the best segment length, which shows that GPT-5-mini consistently gives the best suggestions across five considerations among three studied LLMs. Our findings provide practical guidance for selecting segment duration in large-scale neural audio retrieval systems.