本研究提出了三个新的跨模态检索基准，旨在提升文本与音频之间的检索效果。通过预训练音频任务，建立了文本-音频和音频-文本检索的基线，并公开了数据集和代码。研究表明，采用新框架和方法显著提高了检索准确性，推动了音频检索领域的发展。

该研究使用自我训练框架证明了神经检索器可以自我进化并改进，无需外部模型。实验证明该方法在常见和领域外的检索基准上持续改进，并在各个领域的任务上产生额外收益。