近似最近邻 (ANN) 搜索通过降低计算复杂度，同时保持可接受的精度，提高了音频搜索效率。音频数据，如来自神经网络的嵌入或频谱特征，通常是高维的，这使得精确最近邻搜索变得缓慢且资源密集。ANN 算法通过牺牲少量精度来换取显著的速度提升，从而解决了这一问题，使得对大型音频数据集的实时或近实时搜索成为可能。例如，使用 ANN 可以对数百万个音频片段进行匹配指纹搜索，这成为可行的方式，而精确方法则会慢得令人望而却步。
ANN 通过降维、量化或基于图的索引等技术实现这一点。在音频应用中，嵌入（音频片段的向量表示）通常使用 VGGish 或 Wav2Vec 等模型生成。这些向量可以使用 ANN 库进行索引，例如 FAISS、Spotify 的 Annoy 或 HNSW（分层可导航小世界）。例如，像 Shazam 这样的音乐识别应用可能会使用 HNSW 将音频指纹映射到图结构中，从而无需比较每个条目即可快速遍历以找到相似向量。类似地，语音助手可以利用 ANN 快速将用户语音命令与预先索引的意图嵌入集进行匹配，从而减少查询期间的延迟。
实际效益包括可扩展性和降低硬件成本。如果没有 ANN，搜索一个包含 1000 万首歌曲的库将需要每次查询进行 O(n) 次比较，这对于低延迟系统来说是不切实际的。使用 ANN 后，搜索复杂度降至 O(log n) 或更优。例如，播客平台可以使用乘积量化（FAISS 中的一种方法）将音频嵌入压缩成更小的代码，从而减少内存使用并加快相似度计算。然而，开发人员必须调整召回率和索引构建时间等参数——更高的召回率可能需要更多内存，但能确保更少的误报。通过平衡这些因素，ANN 可以在从版权检测到语音搜索等各种应用中实现高效的音频检索，而无需专用硬件。