/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
matpac · dense
Библиотека
transformers
Опубликована
4 сен 2026

matpac_audioset_finetune_encoder

Классификация аудиоАудио → label3 профессии

MATPAC++ — аудиокодер, дообученный на AudioSet для извлечения 3840-мерных представлений аудио и музыки.

26скачиваний за 30 дней0лайковвеса обновлены7 сен 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

MATPAC++ — аудиокодер семейства MATPAC (Masked Latent Prediction And Classification), разработанный на основе оригинального проекта aurianworld/matpac и перенесённый для работы через Transformers. Модель предварительно обучена на аудио и музыке, затем дообучена на AudioSet; в этой версии оставлен только энкодер без классификационной головы. Она предназначена для извлечения аудиопредставлений размерности 3840, а не для выдачи готовых меток классов.

Кодер подходит для получения признаков аудио и музыки в задачах анализа и последующей классификации. По умолчанию представления могут агрегироваться по времени; можно сохранить временную ось, получив последовательность признаков формы (batch, time, 3840). Режим векторизованного вывода ускоряет обработку больших пакетов, но добавление паддинга может немного снижать точность относительно стандартного режима.

Для запуска нужны Transformers, torchaudio, einops и timm версии 0.4.12; для файлов удалённого кода используется trust_remote_code. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение признаков из аудиозаписей
  • получение эмбеддингов музыкальных фрагментов
  • подготовка аудиоэмбеддингов для последующей классификации
  • анализ последовательности звуковых событий во времени

Ограничения

Эта версия не содержит классификационной головы и не выдаёт готовые предсказания классов AudioSet. Быстрый режим использует дополнительный паддинг и может быть немного менее точным; для загрузки весов требуется timm==0.4.12.

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

MATPAC++ (AudioSet fine-tuned encoder)

MATPAC (Masked latent Prediction And Classification) is a self-supervised audio and music encoder. This repo hosts the MATPAC++ encoder, self-supervised then fine-tuned on AudioSet, encoder only (matpac_plus_as_48_1_map_enconly.pt), a transformers-native, trust_remote_code port of the official inference code (aurianworld/matpac, folder inference_matpac).

If you want ready-made AudioSet class predictions instead of embeddings, use matpac_audioset_finetune_classifier (same fine-tuning, plus the 527-way classification head).

The MATPAC family

RepoTrained onOutputNotes
matpac_general_audioGeneral audio (AudioSet)3840-d embeddingsDefault general-purpose audio encoder
matpac_musicMusic3840-d embeddingsMusic-specialized encoder
matpac_audioset_finetune_encoder (this repo)AudioSet (fine-tuned)3840-d embeddingsFine-tuned encoder, no classification head
matpac_audioset_finetune_classifierAudioSet (fine-tuned)527-way logitsReady-to-use AudioSet tagger

Usage

from transformers import AutoModel, Wav2Vec2FeatureExtractor
import torch
import torchaudio

model = AutoModel.from_pretrained("auriankelen/matpac_audioset_finetune_encoder", trust_remote_code=True)
processor = Wav2Vec2FeatureExtractor.from_pretrained("auriankelen/matpac_audioset_finetune_encoder", trust_remote_code=True)

waveform, sr = torchaudio.load("my_file.wav")
waveform = waveform.mean(dim=0)  # mono

resample_rate = processor.sampling_rate
if resample_rate != sr:
    waveform = torchaudio.transforms.Resample(sr, resample_rate)(waveform)

inputs = processor(waveform, sampling_rate=resample_rate, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

# outputs.last_hidden_state: (batch, 3840) -- mean-pooled over time by default
# outputs.hidden_states: tuple of 12 tensors, one per encoder layer, each (batch, 3840)
all_layer_hidden_states = torch.stack(outputs.hidden_states)
print(all_layer_hidden_states.shape)  # [12, batch, 3840]

Keeping the time dimension / faster inference

# Keep the time axis instead of mean-pooling it
outputs = model(**inputs, pull_time_dimension=False)
# outputs.last_hidden_state: (batch, time, 3840)

# Vectorized inference: faster on large batches, adds some padding so it is
# slightly less precise than the default ("precise", used for the paper's results)
outputs = model(**inputs, inference_type="fast")

Requirements

This model needs a couple of packages beyond transformers to run its trust_remote_code files: torchaudio, einops, and timm==0.4.12 (the exact timm version the checkpoints were exported with the internal naming of the ViT block submodules must match for the weights to load correctly).

Citation

@inproceedings{quelennec2025matpac,
  title={Masked Latent Prediction and Classification for Self-Supervised Audio Representation Learning},
  author={Quelennec, Aurian and Chouteau, Pierre and Peeters, Geoffroy and Essid, Slim},
  booktitle={ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  year={2025},
  url={https://ieeexplore.ieee.org/document/10887666},
  doi={10.1109/ICASSP49660.2025.10887666}
}

@article{quelennec2025matpacenhancedmaskedlatent,
  title={MATPAC++: Enhanced Masked Latent Prediction for Self-Supervised Audio Representation Learning},
  author={Aurian Quelennec and Pierre Chouteau and Geoffroy Peeters and Slim Essid},
  journal={arXiv preprint arXiv:2508.12709},
  year={2025},
  url={https://arxiv.org/abs/2508.12709}
}

Credits

  • aurianworld/matpac for the original training and inference code.
  • Fairseq for the training framework.
  • M2D for the base of the inference code.
  • DINO for the classification head.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MatpacModel
Ревизия весов
3a59384

0 моделей