如何学习一种既能有效表征整体声景(holistic global soundscapes),又能精准刻画细粒度声学时刻(fine-grained acoustic moments)的音频表征,是自监督学习领域长期追求的核心目标。现有基于录音片段(recording-level)的对比学习目标虽能促使池化后的音频表征彼此对齐,却并未对局部时频特征(local time-frequency representations)施加显式监督。为此,我们提出AudioFM——一种融合录音级对比学习与分块掩码隐空间判别(patch-wise masked latent discrimination)的自监督学习框架。该框架中,学生模型利用可见的声学上下文,预测被掩码音频块所对应的隐空间表征,并在来自其他录音片段的候选目标中,识别出与其匹配的、由教师模型生成的完整视角(full-view)表征。此外,我们进一步引入来自邻近时间帧(eligible temporal neighbors)的较弱监督信号,以增强模型对局部时间一致性的建模能力。大量实验评估表明,AudioFM在多种音频任务(包括线性探针评估、全模型微调及零样本迁移)中均达到当前最优性能,展现出卓越的声事件检测能力、鲁棒的场景级语义理解能力,以及出色的跨域泛化能力。

