本论文介绍了一个包含115多种语系的大规模多语言语音语料库，其中包括细粒度音素转录。作者提出了一种名为CLAP-IPA的多语言音素语音对比嵌入模型，能够在语音信号和音素转录的关键词或短语之间进行开放词汇匹配。该模型在97种未见过的语言上进行了测试，展示了强大的跨语言泛化能力。与基于文本的模型相比，使用音素作为建模单位具有更好的跨语言泛化能力。