/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
17 дек 2024

MuQ-MuLan-large

Классификация аудиоАудио → label3 профессии

MuQ-MuLan-large — контрастивная модель OpenMuQ для сопоставления музыки с текстом и классификационных задач в музыкальной области.

90 996скачиваний за 30 дней28лайковвеса обновлены21 авг 2025

Бенчмарки

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

Публичные оценки12

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

  • CommonVoiceMini21A2TRetrieval

    main_score

    Результат

    0,01

    Общий результат 0,035Общий результат 0,03Общий результат 0,03
    MTEB

    Публичная таблицадругая ревизия

  • CommonVoiceMini17T2ARetrieval

    main_score

    Результат

    0,012

    Общий результат 0,016Общий результат 0,014Общий результат 0,004
    MTEB

    Публичная таблицадругая ревизия

  • FleursT2ARetrieval

    main_score

    Результат

    0,0075

    Общий результат 0,0168Общий результат 0,009Общий результат 0,0053
    MTEB

    Публичная таблицадругая ревизия

  • GTZANAudioReranking

    main_score

    Результат

    0,8541

    MTEB

    Публичная таблицадругая ревизия

  • SIBFLEURS

    main_score

    Результат

    0,2063

    Общий результат 0,3292Общий результат 0,2862Общий результат 0,2423
    MTEB

    Публичная таблицадругая ревизия

  • VoxPopuliAccentID

    main_score

    Результат

    0,1153

    MTEB

    Публичная таблицадругая ревизия

  • CommonVoiceMini21T2ARetrieval

    main_score

    Результат

    0,03

    Общий результат 0,0748Общий результат 0,045Общий результат 0,04
    MTEB

    Публичная таблицадругая ревизия

  • FleursA2TRetrieval

    main_score

    Результат

    0,0137

    Общий результат 0,0112Общий результат 0,0065Общий результат 0,0031
    MTEB

    Публичная таблицадругая ревизия

  • HiFiTTST2ARetrieval

    main_score

    Результат

    0,0233

    MTEB

    Публичная таблицадругая ревизия

  • CMUArcticA2TRetrieval

    main_score

    Результат

    0,0038

    MTEB

    Публичная таблицадругая ревизия

  • CommonVoiceMini17A2TRetrieval

    main_score

    Результат

    0,008

    Общий результат 0,014Общий результат 0,012Общий результат 0,006
    MTEB

    Публичная таблицадругая ревизия

  • NMSQAPairClassification

    main_score

    Результат

    0,4619

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MuQ-MuLan-large — модель совместного представления музыки и текста от команды OpenMuQ, выпущенная как часть официального проекта MuQ и MuQ-MuLan. Она обучена контрастивным методом на парах «музыка—текст» и содержит около 700 млн параметров. Репозиторий предоставляет веса в формате PyTorch; для работы авторы рекомендуют библиотеку muq.

Модель предназначена для сопоставления музыкальных аудиозаписей с текстовыми описаниями и классификационных сценариев, связанных с музыкой. Поддерживаются английский и китайский языки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Авторы отмечают, что результаты открытой версии MuQ, обученной на Million Song Dataset, могут отличаться от опубликованных в статье; это ограничение относится к MuQ, а не явно к MuQ-MuLan-large.

Сценарии применения

  • классификация музыкальных аудиозаписей
  • сопоставление музыкального фрагмента с текстовым описанием
  • поиск музыки по запросу на английском языке
  • поиск музыки по запросу на китайском языке
  • извлечение совместимых представлений музыки и текста

Ограничения

Лицензия CC BY-NC 4.0 запрещает коммерческое использование. README указывает на возможное снижение соответствия опубликованным результатам для открытой версии MuQ на Million Song Dataset; отдельно это ограничение для MuQ-MuLan-large не заявлено.

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

MuQ & MuQ-MuLan

This is the official repository for the paper "MuQ: Self-Supervised Music Representation Learning with Mel Residual Vector Quantization". For more detailed information, we strongly recommend referring to https://github.com/tencent-ailab/MuQ and the paper.

In this repo, the following models are released:

  • MuQ(see this link): A large music foundation model pre-trained via Self-Supervised Learning (SSL), achieving SOTA in various MIR tasks.
  • MuQ-MuLan(see this link): A music-text joint embedding model trained via contrastive learning, supporting both English and Chinese texts.

Usage

To begin with, please use pip to install the official muq lib, and ensure that your python>=3.8:

pip3 install muq

Using MuQ-MuLan to extract the music and text embeddings and calculate the similarity:

import torch, librosa
from muq import MuQMuLan

# This will automatically fetch checkpoints from huggingface
device = 'cuda'
mulan = MuQMuLan.from_pretrained("OpenMuQ/MuQ-MuLan-large")
mulan = mulan.to(device).eval()

# Extract music embeddings
wav, sr = librosa.load("path/to/music_audio.wav", sr = 24000)
wavs = torch.tensor(wav).unsqueeze(0).to(device) 
with torch.no_grad():
    audio_embeds = mulan(wavs = wavs) 

# Extract text embeddings (texts can be in English or Chinese)
texts = ["classical genres, hopeful mood, piano.", "一首适合海边风景的小提琴曲,节奏欢快"]
with torch.no_grad():
    text_embeds = mulan(texts = texts)

# Calculate dot product similarity
sim = mulan.calc_similarity(audio_embeds, text_embeds)
print(sim)

To extract music audio features using MuQ:

import torch, librosa
from muq import MuQ

device = 'cuda'
wav, sr = librosa.load("path/to/music_audio.wav", sr = 24000)
wavs = torch.tensor(wav).unsqueeze(0).to(device) 

# This will automatically fetch the checkpoint from huggingface
muq = MuQ.from_pretrained("OpenMuQ/MuQ-large-msd-iter")
muq = muq.to(device).eval()

with torch.no_grad():
    output = muq(wavs, output_hidden_states=True)

print('Total number of layers: ', len(output.hidden_states))
print('Feature shape: ', output.last_hidden_state.shape)

Model Checkpoints

Model NameParametersDataHuggingFace🤗
MuQ~300MMSD datasetOpenMuQ/MuQ-large-msd-iter
MuQ-MuLan~700Mmusic-text pairsOpenMuQ/MuQ-MuLan-large

Note: Please note that the open-sourced MuQ was trained on the Million Song Dataset. Due to differences in dataset size, the open-sourced model may not achieve the same level of performance as reported in the paper.

License

The code is released under the MIT license.

The model weights (MuQ-large-msd-iter, MuQ-MuLan-large) are released under the CC-BY-NC 4.0 license.

Citation

@article{zhu2025muq,
      title={MuQ: Self-Supervised Music Representation Learning with Mel Residual Vector Quantization}, 
      author={Haina Zhu and Yizhi Zhou and Hangting Chen and Jianwei Yu and Ziyang Ma and Rongzhi Gu and Yi Luo and Wei Tan and Xie Chen},
      journal={arXiv preprint arXiv:2501.01108},
      year={2025}
} 

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
2e01c79

0 моделей