通常通过手动标注、合成数据生成和利用现有数据集等组合方式来获取用于音频搜索模型的标记数据。每种方法都满足特定需求，例如确保准确性、扩展数据量或适应利基用例。选择取决于预算、领域特异性和预标记资源的可用性等因素。
手动标注涉及人工收听音频剪辑并分配标签。例如，如果构建一个检测紧急警报器的模型，标注员可能会收听城市噪声录音并标记包含警报器的片段。亚马逊 Mechanical Turk 等平台或专业的标记服务（例如，Rev、Appen）通常用于此目的。然而，这种方法耗时且成本高昂，特别是对于大型数据集。为了提高效率，团队可能会使用 Audacity 或 Praat 等工具来可视化波形和频谱图，从而使标注员更容易确定相关部分。对于特殊领域，例如医疗音频（例如，肺部声音），可能需要医生等领域专家来确保准确的标注。
合成数据生成通过以编程方式混合或修改现有声音来创建标记音频。例如，为了训练一个识别重叠语音的模型，您可以将来自 LibriSpeech 等干净数据集的语音样本与来自 ESC-50 的背景噪声叠加。Audiomentations 等工具或自定义脚本可以应用音高偏移或混响等效果来模拟真实世界的条件。这种方法是可扩展的，并确保精确的标签，因为合成组合是已知的。但是，合成数据可能缺乏真实世界音频的复杂性，需要根据真实录音进行验证。一个实际的例子是通过将“Hey Alexa”语音与不同的房间声学效果混合来生成“唤醒词”训练数据。
现有的公共或许可数据集提供了一个经济高效的起点。像 AudioSet（用 527 个声音类别标记的 YouTube 剪辑）或 CommonVoice（众包语音）这样的数据集为通用模型提供预标记音频。对于特定领域的任务，可以使用 BirdVox（鸟叫声）或 UrbanSound（城市噪音）等利基数据集。如果许可允许，像 Spotify 或 YouTube 这样的 API 也可以用作来源。开发人员通常会使用较小的自定义标记数据集来微调在这些数据集上训练的模型。例如，一个音乐搜索应用程序可能会从 AudioSet 的音乐标签开始，然后添加稀有类型的标记样本。始终验证许可条款——某些数据集限制商业用途或需要署名。