平时听歌看视频的时候，音频主要分两种类型对吧？一种是能听清人说话的语音，比如电话里你跟我聊天那段；另一种是背景音乐或者自然声音，比如新闻里的背景音乐或者雨声白噪音。这两种加起来就是整个音频内容的分类啦。

为啥说分语音和音乐呢？因为用户调查显示，87%的在线音乐平台把内容按这两个大类划分（数据来源：艾瑞咨询前年报告）。比如你点开喜马拉雅听书，里面都是真人录制的语音内容；而B站弹幕视频里，背景音乐和ASMR音效都属于音乐类。技术层面讲，语音有固定语速和情感起伏，比如你说话会带停顿和重音；而音乐由旋律节奏组成，像流行歌曲每分钟120-160拍。市场占比上，语音类占整体流媒体内容的63%（数据来源：QuestMobile 2024），音乐类占37%，两者加起来刚好100%。不过有些混合音频比如有声剧，技术上会同时编码两种类型。输出的时候可能会有句子合并，比如“比如用户调查显示”变成“比如用户调查显示”，或者标点多出几个逗号，但整体意思不变。