在全球黑胶市场连续 19 年增长、中国实体唱片消费加速复兴的浪潮下，一款名为 UNHEARD 的 App 正在成为百万唱片爱好者的数字入口。依托阿里云 OSS 向量 Bucket 与百炼多模态 Embedding 模型，UNHEARD 构建了“以图搜碟”智能检索系统——拍一张唱片封面，专辑信息即刻呈现。
黑胶复兴时代，唱片爱好者的“甜蜜烦恼”
截至 2025 年，作为全球第四大音乐消费市场，中国也正在迎来后流媒体时代的音乐消费新热潮——越来越多人走进唱片店，翻找那些“未曾听闻”的黑胶唱片。
然而，对于真正沉浸于唱片世界的收藏者而言，热情背后始终伴随着几个挥之不去的痛点。
- 信息密度极高，搜索门槛居高不下。 唱片领域的知识体系极为专业，例如古典唱片信息结构复杂，用传统关键字搜索，输入长、易出错、检索精度低。
- 版本体系庞杂，识别成本高昂。 面对千万级发行版本，仅靠文字难以精准定位不同唱片的年份、国家、介质等具体版本。
- 碎片化信息，缺少统一入口。国内缺乏权威的实体唱片综合信息平台，价格参考与版本对比高度依赖社群经验。
正是在这样的背景下，UNHEARD 应运而生。
UNHEARD：唱片爱好者的数字百科
UNHEARD 是一款专注于服务实体唱片爱好者的收藏管理工具与内容社区，由北京歌尔丹拿科技有限公司打造。与主流音乐媒体平台不同，UNHEARD 不主打“听”，而是围绕实体唱片的发现、识别、管理、交流与交易构建完整生态。其核心用户画像是在 25 至 45 岁，他们深究版本、在意音质，愿意为好内容的稀缺性与精神共鸣支付溢价。
UNHEARD 的核心功能围绕四大场景展开：
1、一拍识碟。 拍封面、扫条码，唱片信息一拍即得。这是 UNHEARD 最具标志性的功能，也是用户日常使用频率最高的入口。打开 App 拍一张封面，即可获得完整的唱片信息、版本历史和社区评价。
2、海量唱片数据库。 平台收录了近 1600 万张发行专辑、250 万个母带以及近 1000 万条艺术家信息，数据维度覆盖作品、艺术家、厂牌、发行年份、介质类型等，支持多维度的精准检索。
3、唱片店地图与线下连接。 全国已有超过 70 家唱片店入驻，覆盖 23 个省 36 个城市。同时，与全国超过 200 家唱片店、市集、主办方等深度联动，将数字用户重新引流回实体空间，重建线下音乐交流场景。
4、垂直音乐社区。 精品专栏、唱片点评、社区热榜，为唱片爱好者打造了一个纯粹、专业的交流空间。
一拍识碟背后的技术密码：阿里云 OSS 向量 Bucket
UNHEARD 最让用户惊艳的功能——“一拍识碟”，其背后正是阿里云 OSS 向量 Bucket 在提供核心支撑。
场景拆解：从“拍照”到“识碟”的毫秒级响应
当用户在 UNHEARD App 中对着一张唱片封面按下快门，一次完整的智能检索在瞬间完成：
- 图片上传与预处理： 上传并优化封面图片，确保检索效率与精度。
- 多模态向量化： 服务端调用阿里云百炼平台的多模态 Embedding 模型，深度理解图像视觉语义并转化为高维向量。
- 向量存储与检索： 转化后的向量数据存储在阿里云 OSS 向量 Bucket 中。OSS 向量 Bucket 是阿里云对象存储 OSS 推出的全新能力，无需客户额外搭建和维护独立的向量数据库。
- 结果关联与呈现： 将检索结果与后端元数据匹配，向用户展示完整的唱片信息、版本列表及社区评价。
为什么选择 OSS 向量 Bucket？
对于 UNHEARD 团队而言，选择 OSS 向量 Bucket 有着清晰的业务逻辑：
1、业务初创阶段，成本与效率优先。 UNHEARD 需要一个能够快速上线、弹性扩展且运维成本可控的向量存储方案。OSS 向量 Bucket 作为 OSS 的原生能力，无需额外部署独立的向量数据库集群，直接复用已有的 OSS 存储基础设施，大幅降低了架构复杂度和运营成本。
2、千万级数据规模，需要稳定可靠的底座。 平台当前已累计数千万行向量数据，且每月以数十万行规模增长。OSS 向量 Bucket 天然继承了 OSS 的高可用、高持久和弹性扩展特性，能够从容应对数据量的持续增长。
3、与 AI 生态无缝衔接。 与阿里云百炼同属一个生态，打通“模型调用-数据存储”全链路，减少了跨系统集成成本。
UNHEARD 用 AI 技术降低了唱片发现的门槛，以向量检索简化了繁琐的文字输入，用数字化工具重新连接了实体唱片与爱好者。阿里云 OSS 向量 Bucket 则为这一愿景提供了一个轻量、高效、可弹性拓展的技术底座。这或许就是 AI 时代理想的技术叙事：技术并非为了替代人的热情，而是让热爱更容易被点燃。
OSS 向量 Bucket 最佳实践：快速构建多模态图片语义检索
OSS 向量 Bucket 用于存储、查询和管理向量数据，基于向量 Bucket 和阿里云大模型服务平台百炼的多模态 Embedding 模型，可以搭建海量图片的智能语义检索系统，实现基于自然语言描述的文搜图能力的最佳实践，适用于电商商品搜索、智能相册、媒体资产管理、AI 语义检索、图片知识库等场景。
使用命令行工具 ossutil 2.0 在多种操作系统中高效管理阿里云对象存储 OSS 资源，向量 Bucket 级命令提供对 OSS 向量 Bucket 的 API 的直接访问，适合开发者、运维人员和企业进行大规模数据迁移和日常运维操作。
Step 1: 创建向量 Bucket & 向量索引
创建向量 Bucket
ossutil vectors-api put-vector-bucket \ --bucket <VECTOR_BUCKET> \ --account-id <ACCOUNT_ID> \ --region cn-beijing
创建向量索引
ossutil vectors-api put-vector-index \ --bucket <VECTOR_BUCKET> \ --index-name <INDEX_NAME> \ --dimension 1024 \ --data-type float32 \ --distance-metric cosine \ --account-id <ACCOUNT_ID> \ --region cn-beijing
Step 2: 生成图片预签名 URL（私有 Bucket 必选）
如果 Bucket 的 ACL 为 private（默认），百炼 API 无法直接访问图片，需要先生成预签名 URL：
ossutil presign oss://<SOURCE_BUCKET>/example.jpg \ -e oss-cn-beijing.aliyuncs.com \ --expires-duration 1h
输出示例：
https://<SOURCE_BUCKET>.oss-cn-beijing.aliyuncs.com/example.jpg?x-oss-credential=...&x-oss-date=...&x-oss-expires=3600&x-oss-signature=...&x-oss-signature-version=OSS4-HMAC-SHA256
批量生成：
ossutil presign oss://<SOURCE_BUCKET>/ -r \ --include "*.jpg" --include "*.webp" \ --expires-duration 1h
Step 3: 调用百炼多模态 Embedding 模型
使用百炼 API 将图片转换为 1024 维向量（模型名：multimodal-embedding-one-peace-v1）：
curl -X POST "https://dashscope.aliyuncs.com/api/v1/services/embeddings/multimodal-embedding/multimodal-embedding-v1" \ -H "Authorization: Bearer <DASHSCOPE_API_KEY>" \ -H "Content-Type: application/json" \ -d '{ "model": "multimodal-embedding-one-peace-v1", "input": { "image_url": "<PRESIGNED_URL>" } }'
响应中 output.embedding 字段即为 1024 维向量数据。
Step 4: 向量写入
将向量数据写入向量索引。支持 JSON 文件批量写入：
vectors.json 格式：
[ { "data": { "float32": [0.123, -0.456, ...] }, "key": "example.jpg", "metadata": { "source_bucket": ["<SOURCE_BUCKET>"], "image_name": ["example.jpg"] } } ]
写入命令：
ossutil vectors-api put-vectors \ --bucket <VECTOR_BUCKET> \ --index-name <INDEX_NAME> \ --vectors file://vectors.json \ --account-id <ACCOUNT_ID> \ --region cn-beijing 提示： --vectors 支持内联 JSON 或 file:// 前缀读取文件。单次写入建议不超过 10 条。
Step 5: 语义检索
# 用获取的向量执行近邻检索（内联 JSON 方式） QUERY_VECTOR='{"float32":[0.0284,-0.0284,...]}' ossutil vectors-api query-vectors \ --bucket <VECTOR_BUCKET> --index-name <INDEX_NAME> \ --query-vector "$QUERY_VECTOR" \ --top-k 10 --return-distance --return-metadata \ --account-id <ACCOUNT_ID> --region cn-beijing # 列出所有向量 ossutil vectors-api list-vectors \ --bucket <VECTOR_BUCKET> \ --index-name <INDEX_NAME> \ --account-id <ACCOUNT_ID> \ --region cn-beijing # 查询特定向量 ossutil vectors-api get-vectors \ --bucket <VECTOR_BUCKET> \ --index-name <INDEX_NAME> \ --keys example.jpg \ --return-data \ --return-metadata \ --account-id <ACCOUNT_ID> \ --region cn-beijing
