AI识别歌曲通常依赖于音频信号处理和机器学习技术。以下是一些常见的方法：

1、音频指纹技术：这种方法通过提取音频信号的特征，如频谱、节奏等，生成一个唯一的指纹，然后与已知的歌曲指纹进行匹配。这种技术被广泛应用于音乐识别应用中，如Shazam和SoundHound。

2、深度学习：深度学习模型，特别是卷积神经网络（CNN）和循环神经网络（RNN），可以从音频信号中学习到有用的特征。这些模型可以被训练来识别歌曲的旋律、歌词或音频特征。

3、梅尔频率倒谱系数（MFCCs）：MFCCs是一种在音频信号处理中广泛使用的特征提取方法。它模拟了人耳对声音频率的感知，可以用于语音识别和音乐识别。

4、音乐信息检索（MIR）：MIR是一门研究领域，专注于从音频信号中提取音乐相关信息，包括旋律、和弦、节奏等。

5、基于歌词的识别：通过识别歌曲的歌词也可以识别歌曲。这种方法通常需要自然语言处理（NLP）技术。

6、基于乐谱的识别：通过分析音频信号的乐谱，可以识别出歌曲的旋律和和弦。

7、混合方法：很多实际系统会结合多种方法来提高识别准确率。

一些流行的用于歌曲识别的AI和机器学习库包括：

Essentia: 一个开源的音频分析库，提供了很多音乐信息检索功能。
Librosa: 一个Python库，用于音频和音乐分析。
TensorFlow 和 PyTorch: 两个流行的深度学习框架，可以用于构建音乐识别模型。

这些技术和方法被用于各种音乐识别应用中，包括音乐流媒体服务、智能音箱、以及各种音乐识别APP。