/ Модель

Характеристики

Лицензия
MIT
Архитектура
finelap · dense
Библиотека
transformers
Опубликована
13 мар 2026

FineLAP

ЭмбеддингиТекст → embedding5 профессий

FineLAP извлекает аудио- и текстовые признаки и сопоставляет их для поиска и анализа звуков на уровне клипов и временных кадров.

571скачиваний за 30 дней4лайкавеса обновлены2 апр 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

FineLAP — контрастивно предварительно обученная модель для сопоставления аудио и естественного языка. Карточка описывает её как модель, разработанную для задач понимания аудио на уровне целого клипа и отдельных временных кадров. Она предназначена для извлечения признаков и вычисления сходства между аудио и текстом, включая сценарии аудиозаземления, поиска аудио по тексту и обнаружения звуковых событий. Модель использует архитектуру FineLAP и распространяется в формате safetensors; библиотека для работы — Transformers. Лицензия MIT.

Сценарии применения

  • поиск аудиозаписей по текстовому описанию
  • сопоставление звукового клипа с текстовыми метками
  • обнаружение звуковых событий
  • извлечение признаков из аудио для последующей обработки
  • оценка сходства аудио и текста

Ограничения

Описание и метаданные не сообщают количественные результаты оценки, поддерживаемые языки или максимальную длительность аудио. Модель рассчитана на аудиотекстовое сопоставление и извлечение признаков; другие возможности карточкой не подтверждены.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FineLAP: Taming Heterogeneous Supervision for Fine-grained Language-Audio Pretraining

Paper Hugging Face Model Hugging Face Dataset

FineLAP is a strong contrastively pre-trained audio-language model that excels in both clip- and frame-level audio understanding tasks

You can use the script below to extract frame- and clip-level features or calculate similarity:

import torch
from transformers import AutoModel

audio_path = ['resources/1.wav', 'resources/2.wav']  # (B,)
caption = ["A woman speaks, dishes clanking, food frying, and music plays", 'A power tool is heard with male speech.']  # (B,)
phrases = ['Speech', 'Dog', 'Cat', 'Frying', 'Dishes', 'Music', 'Vacuum', 'Type', 'Power tool']  # (N,)


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

model = AutoModel.from_pretrained("AndreasXi/FineLAP", trust_remote_code=True).to(device)
model.eval()

with torch.no_grad():
    global_text_embeds = model.get_global_text_embeds(caption)  # (B, d)
    print(global_text_embeds.shape)

    global_audio_embeds = model.get_global_audio_embeds(audio_path)   # (B, d)
    print(global_audio_embeds.shape)

    dense_audio_embeds = model.get_dense_audio_embeds(audio_path)  # (B, T, d)
    print(dense_audio_embeds.shape)

    clip_scores = model.get_clip_level_score(audio_path, caption)  # (B, B)
    print(clip_scores.shape)

    frame_scores = model.get_frame_level_score(audio_path, phrases)  # (B, N, T)
    print(frame_scores.shape)
    
    ## (Optional) Plot frame-level similarity, only supprt single audio file
    model.plot_frame_level_score(audio_path[1], phrases, output_path="output/output_plot.png")

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
FineLAPModel
Ревизия весов
b419aa2

0 моделей