Характеристики

Параметры: 113 млн
Лицензия: BSD 3-Clause
Архитектура: audio-spectrogram-transformer · dense
Опубликована: 14 июл 2026

Ссылки

ast-audioset-derush

Классификация аудиоАудио → label

Производная модели MIT/ast-finetuned-audioset-10-10-0.4593. AST — дообученная на AudioSet модель на основе Vision Transformer для классификации звуковых событий в аудио.

6скачиваний за 30 дней0лайковвеса обновлены14 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

Карточка модели Tellyourmummy/ast-audioset-derush на Hugging Face совпадает с карточкой MIT/ast-finetuned-audioset-10-10-0.4593, поэтому описание составлено по ней.

Audio Spectrogram Transformer (AST) — модель классификации аудио, разработанная командой AST и дообученная на AudioSet. Она преобразует аудиосигнал в спектрограмму и обрабатывает её архитектурой Vision Transformer; модель насчитывает 113,2 млн параметров и доступна в форматах PyTorch и Safetensors.

Модель предназначена для отнесения аудио к классам AudioSet, например для распознавания звуковых событий в аудиозаписях. В карточке заявлены высокие результаты на нескольких бенчмарках классификации аудио. Лицензия — BSD 3-Clause.

Сценарии применения

классификация звуковых событий в аудиозаписях
распознавание звуков из набора классов AudioSet
анализ аудиозаписей для выявления характерных звуков

Ограничения

Модель предсказывает классы AudioSet и не предназначена для транскрибирования речи. README не приводит подробностей о точности или ограничениях по типам аудиозаписей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Audio Spectrogram Transformer (fine-tuned on AudioSet)

Audio Spectrogram Transformer (AST) model fine-tuned on AudioSet. It was introduced in the paper AST: Audio Spectrogram Transformer by Gong et al. and first released in this repository.

Disclaimer: The team releasing Audio Spectrogram Transformer did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

The Audio Spectrogram Transformer is equivalent to ViT, but applied on audio. Audio is first turned into an image (as a spectrogram), after which a Vision Transformer is applied. The model gets state-of-the-art results on several audio classification benchmarks.

Usage

You can use the raw model for classifying audio into one of the AudioSet classes. See the documentation for more info.

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ASTForAudioClassification
Ревизия весов: a3985bf