جسنجوی-صوتی

این مدل‌ها طوری آموزش دیده‌اند که ترانه‌ها را با استفاده از چندین منبع، از جمله صدای آواز خواندن انسان، نواختن ترانه با سوت یا زمزمه کردن آن، و نیز فایل‌های ضبط‌شده‌اش در استودیو تشخیص دهد.