最常用的一种方法就是对录音（wav波形声音）进行傅里叶变换，可以得出这段录音的频谱，也就是短时音调-时间图。不过由于录制录音的时候，环境不可能绝对安静，肯定会混有噪声，而且人声唱歌或多或少的会有走调，所以分析出来的这段音调不一定准确。
对不同风格的歌曲检索的效果都不一样。当然，如果歌曲较多的话，还可以使用隐马尔科夫链对歌曲风格等特征进行分类，然后只在接近的类别里检索；以及并行检索等。此时的曲库里存的应该是每首歌的标准音调序列。
可以通过判断短时能量及短时过零率去噪、频率-时间曲线平滑化去噪，以及基于统计的节拍修正、音调校准等方法进行修正。到了这时，仍然几乎不可能得到完全准确的音调序列。
这是初二的物理知识：物体发声需要振动，软件分析这种振动可以对音调、响度、音色分别采样然后对比。这样就可以保证高效率的分析。
使用电波频率来识别的，录一段音频之后会分析这段然后进行对比才能够得出，不然每次录完之后要等两分钟，是在识别中。
按照音频音调来定的，每个歌有每个歌的旋律，每次听完了手机自己就会计算炸出一个平均的值来确定歌曲。
