/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
wav2vec2 · dense
Опубликована
10 фев 2026

wav2vec2-base-drum-kit

Классификация текстаТекст → label3 профессии

Дообученная Wav2Vec2-модель определяет класс одиночного звука ударных или перкуссии среди 10 категорий.

3 111скачиваний за 30 дней0лайковвеса обновлены10 фев 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

airasoul/wav2vec2-base-drum-kit — модель классификации аудио на базе Wav2Vec2, дообученная на facebook/wav2vec2-base для распознавания одиночных ударных и перкуссионных звуков. Она относит звук к одному из 10 классов: clap, conga, crash, cymbal, hat, kick, ride, rim, snare или tom.

Модель принимает монофонический звук с частотой 16 кГц длительностью до 3 секунд; более длинные фрагменты обрезаются, короткие дополняются. Подходит для разметки отдельных ударов в аудиозаписях и сортировки звуков ударных. В README указана точность 97% на тестовой выборке из 300 примеров; результат может быть ниже на длинных миксах, перекрывающихся звуках и записях с отличающимися условиями. Модель содержит 113,3 млн параметров, использует архитектуру Wav2Vec2 и распространяется по лицензии MIT.

Сценарии применения

  • распознавание одиночных ударов барабанов в аудиозаписях
  • автоматическая разметка звуков kick, snare и cymbal
  • сортировка семплов ударных по типу инструмента
  • классификация коротких перкуссионных звуков

Ограничения

Обучена на коротких одиночных ударах; качество может снижаться на длинных миксах, перекрывающихся звуках и при иных условиях записи.

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

Wav2Vec2 for drum-kit classification

Fine-tuned facebook/wav2vec2-base for audio classification of single drum/percussion sounds into 10 classes.

Classes

  • clap, conga, crash, cymbal, hat, kick, ride, rim, snare, tom

Usage

import torch
import librosa
from transformers import AutoFeatureExtractor, AutoModelForAudioClassification

model_id = "airasoul/wav2vec2-base-drum-kit"  # e.g. username/wav2vec2-base-drum-kit
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)
model = AutoModelForAudioClassification.from_pretrained(model_id)
model.eval()

# Load a WAV (16 kHz mono)
audio, sr = librosa.load("path/to/audio.wav", sr=16000, mono=True)
inputs = feature_extractor(
    audio, sampling_rate=16000, max_length=48000,  # 3 s at 16 kHz
    truncation=True, return_tensors="pt", padding=True
)
with torch.no_grad():
    logits = model(**inputs).logits
pred_id = logits.argmax(dim=-1).item()
label = model.config.id2label.get(pred_id) or model.config.id2label.get(str(pred_id))
print(label)  # e.g. "kick"

Training

  • Base: facebook/wav2vec2-base
  • Task: Single-label classification over 10 drum classes
  • Data: Custom drum-kit dataset with augmentation (time stretch, noise, gain)
  • Input: 16 kHz mono, up to 3 s (truncated or padded)

Results

  • Validation accuracy: 95.7% (epoch 10)
  • Test accuracy: 97.0% (300 samples, held-out)
ClassPrecisionRecallF1-score
clap1.001.001.00
conga0.960.930.95
crash0.970.970.97
cymbal1.000.910.95
hat1.000.970.98
kick1.000.940.97
ride0.941.000.97
rim1.001.001.00
snare0.890.960.93
tom0.921.000.96

Limitations

  • Trained on short, single-hit drum sounds. Performance may drop on long mixes, multiple overlapping sounds, or very different recording conditions.

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
1d2aca5

0 моделей