/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
17 дек 2024

MuQ-large-msd-iter

Классификация аудиоАудио → label3 профессии

Крупная самообучаемая модель OpenMuQ для анализа музыки и задач поиска музыкальной информации по аудио.

324 тыс.скачиваний за 30 дней26лайковвеса обновлены15 авг 2025

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

MuQ-large-msd-iter — крупная модель музыкальных представлений от проекта OpenMuQ, описанная в статье о самообучаемом обучении музыкальных представлений с остаточной векторной квантизацией по мел-спектрограммам. Модель содержит около 300 млн параметров и предварительно обучена методом self-supervised learning на Million Song Dataset. В каталоге Hugging Face она обозначена как модель классификации аудио; её можно использовать для задач анализа музыки и извлечения музыкальных представлений.

Модель предназначена для исследовательских и прикладных сценариев music information retrieval. Авторы отмечают высокие результаты семейства MuQ в различных задачах MIR, однако открытый чекпойнт обучен на Million Song Dataset, и его результаты могут отличаться от опубликованных в статье из-за размера обучающих данных. Для использования предлагается официальная библиотека muq. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

Сценарии применения

  • классификация музыкальных аудиозаписей
  • извлечение представлений музыкальных фрагментов
  • анализ музыки для задач music information retrieval

Ограничения

Открытый чекпойнт обучен на Million Song Dataset и может не воспроизводить результаты статьи, поскольку обучающие данные отличаются по размеру. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими сценариями.

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

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)

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)

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
0562a57

0 моделей