音频指纹（audio fingerprinting）是所有"这是什么歌？"应用背后的技术。它把一段录音压缩成一个小而独特的签名（指纹），为数百万首曲目存储签名，之后用捕获到的几秒钟声音去索引中比对。正是它让 Shazam、AHA Music 扩展或广播监测系统能在不到一秒内，从嘈杂的咖啡馆里说出歌名。
本文解释这一方法在实际中的用法、它对什么稳健、在哪里失效，以及哪些其他技术（旋律匹配、翻唱识别、神经网络嵌入）覆盖了它做不到的场景。
定义
音频指纹是对音频信号的一种紧凑的、基于内容的摘要。它的设计目标是：同一首曲目的两段录音即使其中一段被失真、压缩、通过音箱播放再录制，或者只截取了很短的片段，也能产生相同的指纹。一个指纹系统由两部分组成：指纹提取器，以及能在数百万条参考指纹中快速查找查询指纹的索引。
"指纹"这个词是有意为之：就像人的指纹一样，它识别的是某一段特定录音，而不是作为作品的那首歌。这个区别解释了该方法的大多数局限。
音频指纹的工作步骤
大多数应用采用的设计源自 Avery Wang 在 2003 年为 Shazam 描述的算法（"An Industrial-Strength Audio Search Algorithm"，ISMIR 2003）。步骤如下：
1. 频谱图
把音频切成短而重叠的窗口，每个窗口转换为频谱，得到一张能量在时间和频率上分布的地图。节奏、音高和音色在这里变成可见的图案。
2. 峰值提取
提取器不保留整张频谱图，只保留局部能量峰：在时间和频率两个方向上都比邻近点更响的点。相比完整信号，峰值在背景噪音、低质量麦克风和 MP3 压缩下保存得好得多，因为即使周围被抹糊，峰值仍然是峰值。Wang 把得到的稀疏点集称为"星座图"。
3. 对峰值对做哈希
每个峰值与紧随其后的几个峰值配对。一对峰值被转换成一个哈希：（峰值 A 的频率，峰值 B 的频率，两者的时间间隔）。峰值对比单个峰值特异得多，一个哈希就已经能排除曲库中几乎所有曲目。每个哈希连同它在参考曲目中出现的时间一起存储。
4. 按时间偏移匹配
查询时，对捕获的片段计算同样的哈希并在索引中查找。每条命中都在说"这个哈希出现在曲目 X 的时间 t"。对于正确的曲目，参考时间与查询时间之差会集中在一个值上，即片段在整首歌中的位置偏移；对于错误的曲目，差值是散乱的。一个明显的聚集就是一次匹配，而偏移量还能精确告诉你片段来自歌曲的哪一段——这就是 AHA Music 能为视频链接里找到的每首歌标注时间戳的原因。
为什么在嘈杂的咖啡馆里也能用
- 稀疏性。只保留峰值，而峰值正是噪音、混响和压缩之下能存活下来的东西。
- 特异性。带时间间隔的峰值对足够罕见，几十个匹配的哈希就能在 1 亿首曲目中锁定一首。
- 短查询。由于匹配基于统计一致的哈希，约 5 秒的片段通常已包含足够多的哈希。更长的音频在极嘈杂的环境中有帮助，但很少是必需的。
- 速度。哈希查找就是索引查找，在数千万首曲目中搜索只需毫秒级，不需要扫描音频。
音频指纹在哪里失效
因为指纹描述的是某一段特定录音，任何同一首歌但不同录音的情况都会产生不同的星座图，从而无法匹配：
- 哼唱、吹口哨和清唱。你的声音完全没有录音室制作的那些峰值。指纹系统什么都返回不了，这就是 Shazam 从未提供哼唱搜索的原因。
- 翻唱版本、现场演出和卡拉 OK。不同的乐器、速度和调性意味着不同的峰值。作品相同，录音不同。
- 混音和大幅改动的版本。变调或变速会移动峰值，破坏大部分哈希，尽管一些系统对小幅变速有一定容忍。
- 不在索引中的曲目。指纹只能找到已被建立指纹的录音。曲库规模很重要：AHA Music 背后的引擎 ACRCloud 索引了超过 1 亿首曲目。
补上空缺的技术：旋律匹配、翻唱识别与嵌入
| 技术 | 比较的对象 | 能处理 | 使用者 |
|---|---|---|---|
| 音频指纹 | 录音的频谱峰值图案 | 同一段录音的嘈杂或短片段 | Shazam、AHA Music 录音模式、广播监测、YouTube Content ID 类匹配 |
| 哼唱查询（旋律匹配） | 哼唱或清唱的音高轮廓与存储旋律的比对 | 哼唱、吹口哨、清唱、跑调输入 | SoundHound、Google 哼唱搜索、AHA Music 哼唱模式 |
| 翻唱识别 | 录音中与调性、速度无关的和声特征（色度）与参考作品的比对 | 翻唱、现场版、卡拉 OK、不同编曲 | AHA Music 哼唱 / 翻唱模式（ACRCloud 翻唱识别引擎） |
| 神经网络音频嵌入 | 学习得到的向量，把听起来相似的音频放在相近位置 | 取决于模型训练内容，包括哼唱旋律；也用于 AI 音乐检测 | Google 哼唱搜索、AI 音乐检测器 |
实际上，现代识曲工具会同时运行其中多种技术。以 AHA Music 为例，它用 ACRCloud 指纹做麦克风、文件和链接识别，用哼唱引擎处理旋律，再用翻唱引擎识别翻唱背后的作品并返回原曲，浏览器扩展会自动从指纹识别回退到翻唱识别。AI 音乐检测器则是另一类问题：它是基于学习到的音频特征的分类器，而不是查找。
音频指纹的应用场景
- 消费级识曲：Shazam、SoundHound、Google、AHA Music 及其浏览器扩展。
- 版权与权利管理：平台把上传内容与参考曲库比对以检测受版权保护的音乐（YouTube 的 Content ID 是最知名的例子）。
- 广播与电台监测：记录哪首歌在哪个电台何时播出，这是 AHA Music 电台榜单等播放榜背后的数据。
- 第二屏与广告：通过音频识别电视节目或广告以同步内容。
- 去重与曲库清理：找出不同元数据下的相同录音。
问答
音频指纹和文件哈希是一回事吗？
不是。文件哈希（MD5、SHA-256）只要有一个比特变化就会改变，重新编码的 MP3 就匹配不上。音频指纹从声音本身计算，设计目标就是在压缩、重采样和经麦克风录制后保持不变。
识曲需要几秒钟音频？
对指纹索引做干净匹配通常 5 秒左右就够；嘈杂环境下 10 到 15 秒更有帮助。哼唱识别一般需要 10 到 15 秒的旋律。
音频指纹能靠哼唱识别歌曲吗？
不能。哼唱无法重现录音的频谱峰值。请改用旋律匹配工具：SoundHound、Google 哼唱搜索或 AHA Music 的哼唱识曲。
为什么 Shazam 认识这首歌，却识别不出它的现场版？
因为现场演出是另一段录音，峰值不同。指纹识别的是录音，不是作品。翻唱识别引擎（如 AHA Music 的哼唱 / 翻唱模式）匹配的是作品并返回原曲。
识曲服务会保留我的录音吗？
取决于服务。AHA Music 处理录音和上传文件用于识别，不会永久存储，详见其隐私政策。
我能在自己的应用里使用音频指纹吗？
可以，通过 API。AHA Music 本身不提供 API，但它使用的引擎可从 ACRCloud 获得；AHA Music 的开发者页面说明了如何开始。