Влияние длины сегмента: исследование воздействия длин сегментов на эффективность аудиодактилоскопии

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

January 25, 2026

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

cs.AI

Аннотация

Аудиофингерпринтинг обеспечивает идентифицируемое представление акустических сигналов, которое впоследствии может использоваться в системах идентификации и поиска. Для получения дискриминативного представления входной аудиосигнал обычно сегментируется на более короткие временные интервалы, что позволяет извлекать и анализировать локальные акустические признаки. Современные нейросетевые подходы обычно работают с короткими сегментами фиксированной длительности, однако выбор длительности сегмента часто осуществляется эвристически и редко подвергается глубокому изучению. В данной статье мы исследуем, как длина сегмента влияет на эффективность аудиофингерпринтинга. Мы модифицируем существующую нейросетевую архитектуру фингерпринтинга для работы с различными длинами сегментов и оцениваем точность поиска при разных длинах сегментов и длительностях запросов. Наши результаты показывают, что короткие сегменты (0.5 секунды) в целом обеспечивают лучшую производительность. Кроме того, мы оцениваем способность больших языковых моделей рекомендовать оптимальную длину сегмента, и демонстрируем, что GPT-5-mini последовательно дает наилучшие рекомендации по пяти критериям среди трех исследованных моделей. Наши выводы предоставляют практические рекомендации по выбору длительности сегмента в крупномасштабных нейросетевых системах аудиопоиска.

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.