/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Архитектура
usad2 · dense
Библиотека
transformers
Опубликована
4 июн 2026

USAD2-Small

ЭмбеддингиТекст → embedding5 профессий

Компактный трансформерный аудиоэнкодер для извлечения признаков речи, звуков и музыки в задачах последующего анализа.

34скачиваний за 30 дней0лайковвеса обновлены18 июл 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/USAD2-Small — компактный аудиоэнкодер семейства USAD 2.0, разработанный MIT SLS. Модель построена на двунаправленном трансформере и извлекает универсальные представления речи, окружающих звуков и музыки. Версия Small содержит 25 млн параметров, 12 слоёв, размер скрытого представления 384 и выдаёт признаки с частотой 50 Гц. Модель обучали методом дистилляции от аудиомоделей самообучения и с учителем, без использования размеченных данных; среди датасетов метаданные указывают мультиязычные корпуса речи и аудиозаписи музыки и звуков.

Основное применение — извлечение признаков для последующей классификации и анализа аудио. README сообщает о результатах на бенчмарках общего аудио, музыки и задачах с аудиоэнкодером и LLM, включая распознавание речи, идентификацию говорящего и языка, определение звуковых событий и создание аудиоописаний. Для downstream-задач авторы рекомендуют дообучение. Репозиторий использует Transformers и формат safetensors; лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ на той же лицензии, но запрещает коммерческое использование.

Сценарии применения

  • извлечение эмбеддингов из аудиозаписей
  • классификация музыкальных инструментов и жанров
  • обнаружение звуковых событий в аудио
  • идентификация языка или говорящего по голосу
  • подготовка аудиопризнаков для связки с языковой моделью

Ограничения

Это энкодер признаков, а не готовая система для транскрибации или генерации аудио; для оптимального качества на прикладных задачах авторы рекомендуют дообучение. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование.

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

USAD 2.0: Scaling Representation Distillation for Universal Audio Understanding

USAD 2.0 is a bidirectional transformer-based universal audio encoder that extracts useful representations across multiple audio domains (speech/sound/music) by distilling from SSL/supervised audio foundation models without labeled data. USAD 2.0 achieves strong or state-of-the-art performance across probing (HEAR and MARBLE) and LLM-based evaluations (XARES-LLM).

Training data:

  • Multilingual speech (116k hours)
  • General audio and sound (21k hours)
  • Music (13k hours)

👀 Read Full Paper


🗂️ Models

Self-supervised Teachers (WavLM, ATST, MuQ): General-purpose encoders with good probing performance

ModelParamsHiddenLayersFramerate
USAD 2.0 Small25M3841250Hz
USAD 2.0 Base97M7681250Hz
USAD 2.0 Large336M10242450Hz
USAD 2.0 XLarge695M12803225Hz

Supervised Teachers (Whisper & Audio Flamingo 3): State-of-the-art encoders for audio LLM frontend

We suggest selecting the best layer with the target_layer argument in the forward function to optimize audio LLM performance.

ModelParamsHiddenLayers (Best)Framerate
USAD 2.0 Large+336M102424 (20)50Hz
USAD 2.0 XLarge+695M128032 (28)25Hz
USAD 2.0 XXLarge+1036M128048 (40)25Hz

⚙️ Performance

  • HEAR: probing-based general audio evaluation covering speech, sound, and music
  • MARBLE: probing-based music capability benchmark (instruments and singing voice)
  • XARES-LLM: frozen audio encoder + LLM with multi-task LoRA fine-tuning
    • Track A (classification): keyword spotting, speaker/language identification, spoof detection, intent/emotion/sound/genre/instrument classification, and sound event detection.
    • Track B (understanding): English/Mandarin ASR and audio/music captioning
EncoderParamsHEARMARBLEXARES-LLM-AXARES-LLM-B
Single-encoder SOTA
  Base~90M80.674.00.6600.418
  Large~300M81.877.00.6910.454
  XLarge~600M82.675.10.7820.457
USAD 2.0
  Small25M81.072.90.6040.357
  Base97M81.974.10.6450.442
  Large336M82.975.80.6670.473
  XLarge695M82.575.70.7080.485
USAD 2.0+
  Large+336M84.075.10.7690.580
  XLarge+695M84.475.00.7720.611
  XXLarge+1036M84.475.60.7830.624
  • The above evaluations are based on frozen encoders.
  • We encourage fine-tuning USAD 2.0 models for optimal downstream task performance.

🚀 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/USAD2-Small", trust_remote_code=True
).cuda().eval()

# Model properties
model.sample_rate         # required audio sample rate
model.encoder_frame_rate  # frames per second (Hz)
model.mel_dim             # mel feature dimension
model.encoder_dim         # hidden dimension
model.num_layers          # number of encoder layers
model.device              # device
model.dtype               # dtype

# Model methods
model.set_audio_chunk_size(30.0)  # audio will be chunked if exceeds 30 seconds (default 30s)

# Load audio and resample to 16kHz
wavs, wav_lengths = model.load_audio_batch(["audio1.wav", "audio2.wav"])
# wavs:        raw waveforms (batch_size, max_wav_len)
# wav_lengths: length of each sample (batch_size, )
# You can also load waveforms directly with torchaudio.load

# Extract features
with torch.no_grad():
    results = model(
        wavs=wavs,
        wav_lengths=wav_lengths,
        target_layer=None,  # None for last layer, or integer 1 ~ model.num_layers
    )

# result["x"]:              model final output (batch_size, seq_len, encoder_dim)
# result["x_lengths"]:      valid output lengths after encoder subsampling
# result["x_padding_mask"]: output padding mask, where padding is True
# result["mel"]:            mel fbank (batch_size, mel_len, mel_dim)
# result["mel_lengths"]:    valid mel lengths before encoder subsampling
# result["hidden_states"]:  list of (batch_size, seq_len, encoder_dim)
# result["ffn"]:            list of (batch_size, seq_len, encoder_dim)
  • The self-attention mechanism is implemented with SDPA, you may install FlashAttention to optimize inference efficiency.
  • bfloat16 is preferred for fast inference.
  • Avoid using float16 for numerical stability.

📖 Citation

@inproceedings{chang2026usad2,
  title={{USAD 2.0}: Scaling Representation Distillation for Universal Audio Understanding},
  author={Chang, Heng-Jui and Liu, Alexander H. and Bhati, Saurabhchand and Athi, Mrudula and Ratnarajah, Anton and Chhetri, Amit and Glass, James},
  booktitle={Interspeech},
  year={2026}
}

🙏 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
Usad2Model
Ревизия весов
513277f

0 моделей