本研究针对自动声音分类中的高内部类变异性问题，构建了包含28个类别的声音分类法和数据集。研究表明，音频嵌入编码声学和语义信息的方法能提高分类准确性，强调了深入研究声音分类各阶段的必要性。

本研究探讨了音乐与视频的跨模态推荐，采用自监督学习和多种音频嵌入技术，显著提升了推荐效果。通过跨模态三元组损失和深度神经网络，提出了新的检索方法，解决了模态偏见问题，实现了高效的音频与视频匹配。