본 논문은 자기 지도 학습 기반 대조 학습 프레임워크를 이용하여 오디오의 작은 세그먼트에 대해 고유한 임베딩을 생성하는 Conformer 기반 인코더를 학습하는 방법을 제시합니다. Conformer의 국소 및 전역 상호 작용 포착 능력을 활용하여, 3초의 오디오만으로 임베딩을 생성하면서도 오디오 검색 작업에서 최첨단 성능을 달성합니다. 또한, 시간 정렬 오류 및 잡음, 리버브, 극단적인 시간 늘리기와 같은 다른 오디오 왜곡에 대해서도 거의 영향을 받지 않고 최첨단 성능을 유지합니다. 공개적으로 사용 가능한 다양한 크기의 데이터셋을 사용하여 훈련 및 테스트를 진행하며, 코드와 모델 또한 공개하여 결과 재현성을 높였습니다.
