ACR Dataset / 输入输出规范

更新：2026-06-02

一页结论

• 数据规范的核心不是文件格式，而是分离 catalog 与 query
• 外部数据集进入系统前必须先转换成统一 manifest
• 当前系统的标准输入是：
  • 16k mono audio
  • 128 Mel
  • window-level retrieval
• 当前系统的标准输出是：
  • top-k candidates
  • confidence
  • reject/accept
  • metadata

---

1. 数据流图

flowchart LR
    A[External / Synthetic Audio] --> B[Manifest Conversion]
    B --> C[Catalog Manifest]
    B --> D[Query Manifest]
    C --> E[Reference Index Build]
    D --> F[Training / Evaluation Queries]
    E --> G[Hybrid Retrieval]
    F --> G

---

2. 数据对象表

对象	作用	必要字段	说明
Reference	可检索曲库	song_id, audio_path, duration, type=reference	用于建索引
Query Segment	待识别片段	song_id, audio_path, duration, type	用于训练/评测
Catalog Manifest	reference 总表	JSON list	用于离线索引
Query Manifest	query 总表	JSON list	用于训练与评测

---

3. Manifest 结构图

flowchart TD
    M[Manifest] --> R[Reference Records]
    M --> Q[Query Records]
    R --> R1[song_id]
    R --> R2[audio_path]
    R --> R3[duration]
    R --> R4[type=reference]
    Q --> Q1[song_id]
    Q --> Q2[audio_path]
    Q --> Q3[duration]
    Q --> Q4[type=clean/augmented/confused/humming_like]

---

4. 输入输出总表

环节	输入	输出
训练	query segments	embeddings + logits
索引	catalog references	chromaprint index + embedding index
识别	query audio	ranked candidates
评测	query manifest + catalog	top1/top5/hard-case report

---

5. 文字说明

5.1 为什么必须分离 catalog 和 query

早期原型容易把 train split 直接当搜索库，这会让评测和真实服务语义混乱。工业化系统必须把：

• “可搜索曲库”
• “训练/评测 query”

明确分离。

5.2 为什么输入层是 128 Mel

音乐任务需要更丰富的频带表达，128 Mel 更适合 band-split 和音乐 timbre/harmony 建模。

5.3 query 类型为什么要显式标注

clean / augmented / confused / humming_like 是评测与训练策略的重要条件，不应只放在隐式文件名里。

---

6. 细节附录

Reference 示例

{
  "song_id": "song_0001",
  "audio_path": "songs/song_0001.wav",
  "duration": 20.0,
  "type": "reference"
}

Query 示例

{
  "song_id": "song_0001",
  "audio_path": "segments/song_0001_seg_04_confused.wav",
  "duration": 5.0,
  "type": "confused",
  "offset": 8.3,
  "segment_type": "mid"
}

Sources

• See docs/references-and-sources.md for the current source map.