DCASE 2026 Task 6 那个长音频片段检索 [email protected] 居然能跑到

这次 DCASE 2026 Task 6 搞的是 Audio Moment Retrieval (AMR)，简单说就是给一段好几分钟的长音频，再给一段随意的文本描述，让 AI 把音频里对应的开始和结束时间点给找出来。这玩意儿对跨模态对齐和长程时间建模的要求极高，因为音频太长，模型很容易在定位时迷路。

这次挑战赛的结果挺有意思，Baseline 跑出来的 [email protected] 只有 13.56%，这个 Baseline 是用预训练的 MS-CLAP 特征提取器搭配一个基于 DETR（Detection Transformer）的片段检测网络，而且是在手动标注数据集和合成数据集上训练的。这个 13.56% 的分数说明在长音频里找特定片段依然是个大坑。

但这次参赛的 21 支队伍（共提交了 59 个系统）把分数拉高了一大截，前三名的最高分达到了 48.59%，差不多是 Baseline 的 3.5 倍。这中间的差距主要体现在两个地方：一是把音频-文本的特征提取器给加强了，二是优化了片段检测网络。

具体到怎么提分，前三名的队伍在操作上有两个很关键的细节。首先是做了置信度分数校准（Confidence Score Calibration），这在定位任务里很常见，能过滤掉很多误报。其次是采用了不同时间分辨率特征的集成（Ensembling across different temporal resolutions），通过多尺度特征来弥补单一分辨率在定位精度上的不足。

如果要复现这个流程，核心架构其实就是 MS-CLAP 提取特征 → DETR 架构做检测。但从结果看，如果只用基础的 DETR 很难突破，必须在特征增强和后处理校准上下功夫。

这次任务定义的具体流程如下：
1. 输入：一段数分钟长的音频文件 + 一个自由格式的文本查询词。
2. 输出：一组时间戳对 $[start, end]$。
3. 评价指标：采用 [email protected]，即预测片段与真实片段的重叠度（IoU）超过 0.7 且排名第一时计为命中。

从 13.56% 到 48.59% 的跨度说明，虽然长音频检索依然很难，但通过强化特征对齐和多尺度集成，性能是有大幅提升空间的。