本文综述音频自监督学习进展：提出ATST模型实现分段级音频自监督学习，在多项下游任务中表现最佳；ATST-Clip与ATST-Frame分别学习剪辑级和帧级表示，后者在音频帧事件检测上达到最先进水平；改进SSAST并引入MAE编码器-解码器结构，使预训练提速3倍、内存降低2倍；首次将补丁式自监督框架用于AST；并涉及音视频高效自监督、情感识别、流式语音识别及音乐理解等应用。