大規模な対照言語オーディオ事前学習：特徴融合とキーワードからキャプションへの拡張

多モーダル表現学習における対照学習の成功を示す。大規模なデータセットと新しいモデル設計により、テキストからオーディオへの検索やゼロショット音声分類で優れたパフォーマンスを達成。