# Rozpoznawanie dźwięków i klasyfikacja nagrań

EN: **Audio and sound event classification** · id `audioclassification` · aliases: audio classification, sound event classification, audio tagging, klasyfikacja dźwięków, rozpoznawanie zdarzeń dźwiękowych, tagowanie audio

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Mowa i audio](https://aiatlasgraph.com/t/audio.md) › Rozpoznawanie dźwięków i klasyfikacja nagrań

## Description

- PL: Przypisywanie nagraniu jednej lub wielu etykiet opisujących jego zawartość, np. rodzaju dźwięku, gatunku muzyki, komendy głosowej lub języka. Modele często analizują spektrogram albo wyuczoną reprezentację audio; wspólne przestrzenie dźwięk–tekst umożliwiają również klasyfikację zero-shot.
- EN: Assigning one or more labels that describe a recording, such as sound type, music genre, spoken command or language. Models often analyse a spectrogram or a learned audio representation; shared audio-text spaces also enable zero-shot classification.

## In one sentence

- PL: To rozpoznawanie, co słychać na nagraniu: tłuczone szkło, płacz dziecka, gatunek muzyki albo komendę głosową.
- EN: This recognises what can be heard in a recording: breaking glass, a crying baby, a music genre or a voice command.

## Problem it solves

- PL: Nikt nie odsłucha tysięcy godzin nagrań z kamer, mikrofonów czy archiwów, żeby znaleźć kilka ważnych dźwięków.
- EN: No one can listen through thousands of hours from cameras, microphones or archives to find a few important sounds.

## What it does

- PL: Rozpoznaje charakterystyczne wzory w obrazie częstotliwości, tak jak ornitolog rozpoznaje ptaka po głosie.
- EN: It spots telltale patterns in a picture of the frequencies, the way a birdwatcher recognises a bird by its song.

## Everyday example

- PL: Aplikacja w telefonie słucha śpiewu za oknem i mówi, że to kos, a nie drozd.
- EN: A phone app listens to birdsong outside your window and tells you it is a blackbird, not a thrush.

## This concerns you if you…

- PL: porządkujesz archiwum nagrań lub efektów
- PL: chcesz, by urządzenie reagowało na konkretne dźwięki
- PL: uruchamiasz sprzęt wypowiadanym słowem
- EN: organise an archive of recordings or sound effects
- EN: want a device to react to particular sounds
- EN: wake a device with a spoken word

## Keywords

AudioSet · ESC-50 · Speech Commands · Audio Spectrogram Transformer · CLAP · audio tagging · sound event detection

## How it works

- PL: Spektrogram lub enkoder fali tworzy cechy agregowane w czasie do ocen etykiet. Wariant kontrastowy porównuje embedding nagrania z opisami tekstowymi, umożliwiając wybór kategorii bez osobnej głowicy dla każdej z nich.
- EN: Spectrograms or waveform encoders produce features pooled over time into label scores. Contrastive variants compare recording embeddings with text descriptions, enabling category selection without a separate head for each category.

## Limits

- PL: Jedno nagranie może zawierać wiele nakładających się zdarzeń. Agregacja gubi moment wystąpienia, a kategoria zależy od długości próbki, hałasu i definicji etykiet.
- EN: Recordings can contain overlapping events. Aggregation loses event timing, and categories depend on sample duration, noise and label definitions.

## Key terms

- PL: **etykieta zdarzenia**: Kategoria określająca rodzaj dźwięku obecnego w nagraniu.
- PL: **pooling czasowy**: Łączenie cech kolejnych momentów w reprezentację nagrania.
- EN: **event label**: A category describing a sound type present in a recording.
- EN: **temporal pooling**: Combining successive time features into a recording representation.

## Know first

- [Uczenie nadzorowane (Supervised learning)](https://aiatlasgraph.com/t/supervised.md)
- [Reprezentacje i embeddingi (Representation learning)](https://aiatlasgraph.com/t/representations.md)

## Examples

- PL: tagowanie zdarzeń dźwiękowych · AudioSet · ESC-50 · Speech Commands · AST · CLAP
- EN: sound-event tagging · AudioSet · ESC-50 · Speech Commands · AST · CLAP

## Related topics

Untyped, symmetric "see also" links.

- [Modele audio–język (rozumienie mowy, dźwięków i muzyki) (Audio-language models)](https://aiatlasgraph.com/t/audiolanguage.md)

## Sources

- [Audio Classification (Hugging Face Tasks)](<https://huggingface.co/tasks/audio-classification>) `hf-tasks-audio-classification` · by Hugging Face
- [Unit 4. Build a music genre classifier — Hugging Face Audio Course](<https://huggingface.co/learn/audio-course/chapter4/introduction>) `hf-audio-course-unit4` · by Hugging Face
- [Audio Set: An ontology and human-labeled dataset for audio events](<https://research.google.com/audioset/>) `audioset-2017` · by Jort F. Gemmeke, Daniel P. W. Ellis, Dylan Freedman, Aren Jansen, Wade Lawrence, R. Channing Moore, Manoj Plakal, Marvin Ritter (Google)
- [AST: Audio Spectrogram Transformer](<https://arxiv.org/abs/2104.01778>) `ast-2021` · by Yuan Gong, Yu-An Chung, James Glass
- [Large-scale Contrastive Language-Audio Pretraining with Feature Fusion and Keyword-to-Caption Augmentation (CLAP)](<https://arxiv.org/abs/2211.06687>) `laion-clap-2022` · by Yusong Wu, Ke Chen, Tianyu Zhang, Yuchen Hui, Marianna Nezhurina, Taylor Berg-Kirkpatrick, Shlomo Dubnov

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/audioclassification · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30