最后， 的原始音频模型有助于确保尚未在网上引起任何关注的艺术家的新歌仍能被发现。正如 软件工程师 所说，解释该平台的原始音频模型使用卷积神经网络分析歌曲。这些网络识别原始音频文件中的特定特征，包括拍号、调性、模式、节奏和响度。
“最终，通过读取歌曲的主要特征， 可以了解歌曲之间的基本相似之处，从而根据用户自己的听歌历史判断哪些用户可能会喜欢这些歌曲，” 说。
对于基于预测算法构建的平台，您可能会认为根据 模 阿富汗电话号码数据 型优先考虑的特征来制作出完美的热门歌曲很容易——但事实并非如此。
的算法每周都会在其平台上产生数千种不可预测的模式，从而在其用户群中产生意想不到的收听行为。 一个著名的例子是 年代另类独立乐队 的代表作，其 年的 面曲目“ ”在 年的几周内人气飙升。这首歌从未作为单曲发行，发行后也没有引起太大反响，但得益于 的算法，这首歌现在在艺术家页面上的排名超过了他们 年的冠军单曲“ ”。
然而，这种不可预测性并没有阻止艺术家们试图打破系统。仍然有一些人试图创作直接迎合算法的歌曲。 的这篇文章指出“在歌曲的前几秒钟内，通常会出现一些副歌、客座歌手或突出的样本，这形成了一种被称为‘ 声音’的现象，艺术家们为此付出了很多努力。”
“ 声音”的概念甚至引发了以下倡议： 潘多拉音乐基因组计划它分析了歌曲中超过 种音乐属性，并将它们与其流派和子流派中的其他属性进行匹配，最终确定了热门唱片的构成要素。
如果艺术家们想有机会上榜，这样的技术可能会为他们的音乐提供一些一般性的指导，告诉他们应该是什么样子，但我们还没有达到算法可以识别成功的具体因素的阶段。