/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Архитектура
usad · dense
Библиотека
transformers
Опубликована
20 июн 2025

USAD-Base

ЭмбеддингиТекст → embedding3 профессии

USAD Base — дистиллированный трансформерный энкодер, извлекающий универсальные признаки из речи, звуков и музыки для последующего анализа.

21скачиваний за 30 дней5лайковвеса обновлены6 июн 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

MIT-SLS/USAD-Base — аудиоэнкодер семейства USAD, разработанный авторами Universal Speech and Audio Distillation. Модель преобразует речь, звуки и музыку в последовательности признаковых векторов; она предназначена для извлечения универсальных аудиопредставлений, пригодных для последующих задач анализа речи и звука.

USAD Base — трансформерный энкодер с 94 млн параметров, размерностью представления 768 и 12 слоями. Он формирует кадры с частотой 50 Гц. Модель дистиллирована из специализированных учителей WavLM Base+ и ATST Frame и обучена на смеси данных объёмом 126 тысяч часов. В README заявлена конкурентоспособность на бенчмарках SUPERB, HEAR и AudioSet. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с указанием авторства и распространением производных материалов на тех же условиях.

Модель выдаёт признаки, а не готовую расшифровку или классификацию. Для практических задач распознавания речи, классификации аудио или музыкального анализа потребуется подходящая задача обработки признаков или дополнительная модель.

Сценарии применения

  • извлечение признаков речи для последующего распознавания
  • получение аудиопредставлений для классификации звуков
  • подготовка признаков для анализа музыкальных аудиозаписей
  • создание входных представлений для задач понимания речи
  • извлечение кадровых эмбеддингов для аудиоисследований

Ограничения

Модель извлекает признаки и сама по себе не выполняет транскрибацию или классификацию. Лицензия ограничивает использование некоммерческими целями.

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

USAD: Universal Speech and Audio Representation via Distillation

Universal Speech and Audio Distillation (USAD) is a unified speech, sound, and music encoder distilled from domain-specific teachers. Trained on 126k hours of mixed data, USAD delivers competitive performance across diverse benchmarks (SUPERB, HEAR, and AudioSet) with a single model.

👀 Read Full Paper

🛠️ GitHub


🗂️ Models

USAD models are all transformer encoders operating at 50Hz frame rate. The teacher models are WavLM Base+ and ATST Frame.

ModelParametersDimLayer
USAD Small24M38412
USAD Base94M76812
USAD Large330M102424

🚀 How To Use

Installation

pip install -U torch torchaudio transformers

Load Model and Extract Features

import torch
from transformers import AutoModel

# Load pre-trained model
model = AutoModel.from_pretrained("MIT-SLS/USAD-Base", trust_remote_code=True).cuda().eval()

# Load audio and resample to 16kHz
wav = model.load_audio("path/to/audio").unsqueeze(0)  # (batch_size, wav_len)
# wav is a float tensor on the same device as the model
# You can also load waveforms directly with torchaudio.load

# Extract features
with torch.no_grad():
    results = model(wav)

# result["x"]:              model final output (batch_size, seq_len)
# result["mel"]:            mel fbank (batch_size, seq_len * 2, mel_dim)
# result["hidden_states"]:  list of (batch_size, seq_len, encoder_dim)
# result["ffn"]:            list of (batch_size, seq_len, encoder_dim)

See usad_model.py for more details about the model.


📖 Citation

@inproceedings{chang2025usad,
  title={{USAD}: Universal Speech and Audio Representation via Distillation},
  author={Chang, Heng-Jui and Bhati, Saurabhchand and Glass, James and Liu, Alexander H.},
  booktitle={IEEE Automatic Speech Recognition and Understanding Workshop (ASRU)},
  year={2025}
}

🙏 Acknowledgement

Our implementation is based on the awesome facebookresearch/fairseq, cwx-worst-one/EAT, and sooftware/conformer repositories.

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
USADModel
Ревизия весов
d42aa85

0 моделей