Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-base-960h
Опубликована: 10 янв 2026

Ссылки

music_moods_classification

Классификация текстаТекст → label3 профессии

Дообученная модель wav2vec 2.0 классифицирует музыкальные аудиозаписи по 14 настроениям для тегирования, поиска и рекомендаций.

21 828скачиваний за 30 дней4лайкавеса обновлены27 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

StanislavKo28 создал модель классификации музыкального настроения на основе wav2vec 2.0. Это дообученная модель Facebook/Wav2Vec2-base-960h с архитектурой Wav2Vec2ForSequenceClassification, 113,3 млн параметров и весами PyTorch в формате safetensors. Она принимает аудио и относит музыку к одному или нескольким из 14 настроений: злому, мрачному, энергичному, эпическому, эйфоричному, радостному, таинственному, расслабляющему, романтичному, грустному, пугающему, гламурному, воодушевляющему и сентиментальному.

Модель предназначена для тегирования музыкальных записей, организации медиатеки, рекомендаций и поиска музыки по настроению, а также анализа музыкального контента. Обучение проводилось на HWNAS Dataset: 6930 размеченных аудиофрагментов длительностью 30 секунд, поровну распределённых по 14 категориям. В README приведены метрики оценки по эпохам, но они невысоки в первых трёх показанных эпохах, поэтому качество на новых музыкальных данных следует проверять отдельно. Лицензия — Apache-2.0.

Сценарии применения

автоматическое присвоение музыке тегов настроения
поиск песен по настроению
подбор музыки для рекомендательной системы
организация музыкальной библиотеки по эмоциональным категориям
анализ эмоционального характера музыкальных фрагментов

Ограничения

Обучение основано на 6930 фрагментах из одного датасета, поэтому переносимость на другие жанры, источники и условия записи может быть ограничена. В README приведены невысокие метрики первых трёх эпох; качество на целевых данных следует оценивать отдельно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Music mood classification is a fundamental and versatile application in many various domains. Some possible use cases for music mood classification include:

music recommendation systems;
content organization and discovery;
radio broadcasting and programming;
music licensing and copyright management;
music analysis and research;
content tagging and metadata enrichment;
audio identification and copyright protection;
music production and creativity;
healthcare and therapy;
entertainment and gaming.

The model is trained based on publicly available dataset of labeled music data — HWNAS Dataset — that contains 6930 sample 30-second audio files evenly split among 14 moods:

angry;
dark;
energetic;
epic;
euphoric;
happy;
mysterious;
relaxing;
romantic;
sad;
scary;
glamorous;
uplifting;
sentimental.

Kaggle notebooks:

Training - Kaggle notebook;
Inference - Kaggle notebook.

Epoch	F1	Eval Loss	Eval Precision	Eval Recall	Eval ROC-AUC
1	0.04875475200887581	2.632540464401245	0.030544660371068687	0.1344	0.6071502456887531
2	0.12188463004979133	2.534595251083374	0.09945756128059641	0.2096	0.7306199790432439
3	0.12932654401628893	2.3776655197143555	0.10665909627539523	0.2368	0.7810705576029681
4	0.15439325535918352	2.2560176849365234	0.21572622598078656	0.2464	0.8006652336372222
5	0.15367126167478184	2.1784613132476807	0.23305094905094903	0.2496	0.8082513555319044
6	0.17184978487546942	2.1160242557525635	0.2052915619474477	0.2496	0.8182308683863416
7	0.21190310802380768	2.069568634033203	0.3076689660390585	0.2736	0.8201191204703708
8	0.20610249743456857	2.0387115478515625	0.3111820988009202	0.2688	0.8236533161925041
9	0.21395825947099917	2.0054073333740234	0.24277322822503128	0.2752	0.8259563342861382
10	0.231388645761297	1.9618613719940186	0.24266619727764255	0.28	0.8353918139721079
11	0.2551684734694829	1.9417527914047241	0.2712793843125309	0.2976	0.8357069507628714
12	0.23859203206336047	1.9467965364456177	0.24560306346260846	0.2864	0.8338472674725235
13	0.23211297220177476	1.9273489713668823	0.23304501433192865	0.2752	0.8381106641271369
14	0.22241628577553074	1.941692590713501	0.22966472829618598	0.272	0.8346930076748398
15	0.25609690566033366	1.9033373594284058	0.2576226397619441	0.2944	0.8394839561830068
16	0.24723728556544475	1.889068603515625	0.2479616274726007	0.2816	0.8410164948564808
17	0.2392290231170979	1.8930455446243286	0.2334521319638967	0.2752	0.8409307834060327
18	0.26044061453780687	1.8662617206573486	0.2587323654531444	0.2944	0.8451350890943117
19	0.25675920854176	1.8768343925476074	0.2526957131583157	0.2832	0.8423786926762681
20	0.25703465327414055	1.870908260345459	0.25570025365133286	0.2832	0.8437720096266398
21	0.2622051040648687	1.8693370819091797	0.26097345900635055	0.2896	0.8440420530281421
22	0.24880722264161773	1.8653582334518433	0.24699021100428387	0.2784	0.8439683504327168

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры: Wav2Vec2ForSequenceClassification
Ревизия весов: 25a2197