摘要

音频自监督学习（Self-Supervised Learning, SSL）预训练旨在从无标签的音频数据中学习高质量的表示，已取得了显著进展。然而，预训练过程中的巨大计算需求对音频SSL模型的潜在应用和优化构成了重大障碍。在本文中，受到图像模态下data2vec 2.0和音频模态下Audio-MAE成功经验的启发，我们引入了高效音频变压器（Efficient Audio Transformer, EAT），以进一步提升音频SSL的有效性和效率。所提出的EAT将引导自监督训练范式应用于音频领域。设计了一种新颖的语音帧目标（Utterance-Frame Objective, UFO），以增强声学事件的建模能力。此外，我们揭示了掩码策略在音频SSL预训练中的重要性，并发现使用大逆向块掩码可以获得更优的音频表示。实验结果表明，EAT在包括AudioSet（AS-2M, AS-20K）、ESC-50和SPC-2在内的多种音频相关任务上达到了最先进的（State-of-the-Art, SOTA）性能，并且相比现有的音频SSL模型，预训练速度提高了约15倍。