/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
hubert · dense
Опубликована
29 авг 2023

hubert-base-audioset

Классификация аудиоАудио → label3 профессии

Предварительно обученная на AudioSet модель HuBERT Base для извлечения аудиопризнаков и адаптации к классификации звуков, музыки и речи.

121скачиваний за 30 дней3лайкавеса обновлены2 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ALM/hubert-base-audioset — модель аудиопредставлений на архитектуре HuBERT Base, разработанная ALM и предварительно обученная на полном наборе AudioSet. Трансформерная модель содержит 113,3 млн параметров и предназначена для извлечения признаков из аудио и последующей адаптации к прикладным задачам, включая классификацию музыки и акустических событий, а также распознавание речи.

Модель принимает аудио и формирует аудиопредставления, которые можно использовать как признаки для классификаторов и других downstream-систем. Широкое покрытие источников AudioSet помогает применять её в разных аудиодоменах, однако для узкой области может потребоваться дообучение. В задачах речи качество может уступать HuBERT и Wav2Vec, обученным специально на речевых данных. Лицензия — CC BY-NC-SA 4.0.

Сценарии применения

  • извлечение признаков из аудиозаписей
  • классификация музыкальных фрагментов
  • обнаружение акустических событий
  • подготовка аудиопредставлений для downstream-классификатора
  • адаптация аудиомодели к распознаванию речи

Ограничения

Для отдельных предметных областей может потребоваться дообучение на специализированных данных. В задачах речи модель может уступать HuBERT и Wav2Vec, обученным специально на речевых данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card: Pre-trained Audio Representation Models on AudioSet

Overview

This model card presents information about pre-trained audio representation models released by ALM. These models are pre-trained on the full AudioSet dataset and are intended for general-purpose Audio Representation Learning (ARL) tasks.

Models

1. ALM/hubert-base-audioset

  • Architecture: HuBERT (Hubert-Base) transformer-based model
  • Description: This model is based on the HuBERT architecture, pre-trained on the full AudioSet dataset.

2. ALM/hubert-large-audioset

  • Architecture: HuBERT (Hubert-Large) transformer-based model
  • Description: Similar to the hubert-base-audioset model, this variant is larger in size, providing increased capacity for capturing audio representations from the full AudioSet dataset.

3. ALM/wav2vec2-base-audioset

  • Architecture: Wav2Vec 2.0 (Wav2Vec2-Base) transformer-based model
  • Description: This model is based on the Wav2Vec 2.0 architecture, trained on the full AudioSet dataset using SSL with CPC. It offers a different approach to audio representation learning compared to the HuBERT models.

4. ALM/wav2vec2-large-audioset

  • Architecture: Wav2Vec 2.0 (Wav2Vec2-Large) transformer-based model
  • Description: Similar to the wav2vec2-base-audioset model, this variant is larger in size, providing enhanced capacity for learning audio representations from the full AudioSet dataset.

Intended Use

These pre-trained models are intended for a wide range of ARL tasks, including but not limited to speech recognition, music classification, and acoustic event detection. They serve as powerful tools for feature extraction and can be fine-tuned on task-specific datasets for downstream applications. It's important to note that while these models offer versatility across various audio domains, their performance in speech-related tasks may be relatively lower compared to specialized models such as the original Wav2Vec and HuBERT models. This is due to the diverse nature of the AudioSet dataset used for pre-training, which includes a wide range of audio sources beyond speech.

Limitations and Considerations

  • The models are pre-trained on the full AudioSet dataset, which may not cover all possible audio domains comprehensively.
  • Fine-tuning on domain-specific data may be necessary to achieve optimal performance for certain tasks.
  • Computational resources may be required for deploying and fine-tuning these models, especially the larger variants.

Citation

If you use these pre-trained models in your work, please cite the following

@INPROCEEDINGS{ARCH,
  author={La Quatra, Moreno and Koudounas, Alkis and Vaiani, Lorenzo and Baralis, Elena and Cagliero, Luca and Garza, Paolo and Siniscalchi, Sabato Marco},
  booktitle={2024 IEEE International Conference on Acoustics, Speech, and Signal Processing Workshops (ICASSPW)}, 
  title={Benchmarking Representations for Speech, Music, and Acoustic Events}, 
  year={2024},
  pages={505-509},
  keywords={Representation learning; Systematics; Conferences; Benchmark testing; Signal processing; Acoustics; Data models; Audio Representation Learning; Benchmark; Pre-trained Models; Self-Supervised Learning},
  doi={10.1109/ICASSPW62465.2024.10625960}
}

arXiv version: arxiv.org/abs/2405.00934

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
HubertModel
Ревизия весов
8b4ab2f

0 моделей