余弦相似度和欧几里得距离是用于比较音频特征的数学工具，音频特征通常表示为高维向量。余弦相似度测量两个向量之间的角度，侧重于它们的方向对齐，而不管幅度如何。这使得它可用于比较音频数据中的模式，而强度（例如，音量）并不重要。例如，如果两个音频剪辑具有相似的频谱形状（例如匹配的旋律但音量不同），则余弦相似度将突出显示它们的相似性。另一方面，欧几里得距离计算向量之间的直线距离，同时考虑方向和幅度。当音频信号的整体能量或幅度很重要时，这很有用，例如根据声音强度区分说话者。这两种度量都在从音频中提取的特征向量（例如，MFCC，频谱图）上运行，但强调相似性的不同方面。
在实践中，像梅尔频率倒谱系数（MFCC）或色度向量这样的 音频特征 通常在应用这些度量之前进行归一化。归一化通过将向量缩放到单位长度来确保公平的比较，这可以使余弦相似度和欧几里得距离的行为更相似。例如，在说话人识别中，原始MFCC向量可能被归一化，以关注声音特征而不是录制音量。如果没有归一化，余弦相似度可能会忽略音量差异，而欧几里得距离会对其进行惩罚。在音乐推荐系统中，余弦相似度可以识别具有相似音色质量（例如，吉他重的曲目）的歌曲，即使其中一首声音更大。欧几里得距离可能会将共享音色和能量配置文件的曲目分组在一起，例如将具有一致动态范围的匹配流派分组在一起。选择取决于幅度对于任务是否是一个相关的因素。
一个具体的例子是 音频指纹识别 （用于像 Shazam 这样的应用程序）。在这里，欧几里得距离可能会直接比较频谱峰值以找到完全匹配，从而确保模式和强度对齐。相反，在 音乐相似度引擎 中，余弦相似度可以优先考虑谐波内容而不是音量差异，这对于识别翻唱或混音很有用。另一个例子是对音频样本进行聚类：余弦相似度按频谱形状分组（例如，将语音与音乐分开），而欧几里得距离可能会根据响度进一步分割聚类（例如，安静的语音与响亮的语音）。开发人员应考虑对特征进行归一化并测试这两种度量，以确定哪种度量更符合他们的用例。对于相对模式比绝对值更重要的任务，通常首选余弦；对于整体比较，欧几里得提供了更完整的图片。