本研究提出CLASP（对比语言-语音预训练），旨在解决音频-文本信息检索中的多语言多模态表示问题。该方法结合语音和文本数据，构建了15个类别的数据集，设立了新基准，显示出优于传统语音识别方法的潜力。
完成下面两步后，将自动完成登录并继续当前操作。
