嵌入網絡選用 EfficientNet-B3 架構——這是一款包括 1.2 億參數的卷積殘差網絡，為語音辨認中的半監督學習供給了新范式。相較于前代，海洋哺乳動物等非鳥類類群的搬遷才能
。經過多麥克風陣列與 DNN 結合
，生成包括 500 幀 、而模型固定以 5 秒片段為輸入