本文提出了三个新的音频、歌词和双模MER研究数据集，合称为MERGE，解决了双模音频-歌词系统发展中的数据库匮乏问题。实验结果表明，使用深度神经网络在双模分类任务上取得了79.21％的最佳综合F1分数。