对于音频搜索，最适合的 ANN（近似最近邻）算法是在匹配高维音频嵌入时平衡速度、准确性和可扩展性。分层可导航小世界 (HNSW)、带乘积量化的倒排文件索引 (IVFPQ) 和局部敏感哈希 (LSH) 被广泛使用。这些算法有效地处理从音频信号生成的密集向量表示（例如，通过 CNN 或 Transformer），同时能够跨大型数据集进行快速相似性搜索。
HNSW 对于音频搜索特别有效，因为它结合了高召回率和低延迟。它构建了一个多层图，搜索从顶层（粗略近似）开始，并将结果细化到较低层。这种结构适用于音频嵌入，音频嵌入通常具有复杂的空间关系。例如，Spotify 的音频推荐系统使用 HNSW 根据声学特征匹配歌曲。它随数据集大小的对数缩放也使其适用于需要实时响应的应用，例如从短音频剪辑中识别歌曲。但是，HNSW 的内存使用量对于极其庞大的数据集可能是一个限制，需要仔细优化。
IVFPQ 和 LSH 更适合于优先考虑内存效率或分布式处理的场景。 IVFPQ（在 FAISS 等库中实现）将嵌入聚类到 Voronoi 单元（粗略量化器）中，并使用乘积量化压缩向量，从而将内存使用量减少多达 95%。这使其非常适合十亿级音频数据库，例如腾讯的音乐搜索引擎。 LSH 虽然精度较低，但提供了一种将相似音频嵌入散列到同一存储桶中的简单方法，从而实现可并行化的搜索。例如，Google 的 AudioSet 使用类似 LSH 的技术进行快速过滤，然后再应用更精确的匹配。开发人员通常将这些算法结合起来——使用 LSH 进行初始候选选择，使用 HNSW/IVFPQ 进行细化——以平衡生产系统中的速度和准确性。