/ Модель

Характеристики

Лицензия
MIT
Опубликована
23 фев 2025

sonics-spectttra-gamma-5s

Классификация аудиоАудио → label3 профессии

SpecTTTra-γ-5s классифицирует пятсекундные аудиофрагменты, помогая выявлять песни, созданные генеративным ИИ.

4 483скачиваний за 30 дней0лайковвеса обновлены1 мар 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

SpecTTTra-γ-5s — модель классификации аудио из проекта SONICS, представленного авторами на ICLR 2025. Она предназначена для выявления синтетических песен, созданных целиком с помощью генеративных систем, и различения их с песнями человеческого происхождения; в отличие от детекторов поддельного вокала, задача SONICS охватывает также музыку, текст и стиль композиции.

Модель построена на архитектуре SpecTTTra (Spectro-Temporal Tokens Transformer): 12 слоёв, 6 голов внимания, размерность эмбеддингов 384 и отношение MLP 2,67; в карточке для варианта γ указано 17 млн параметров. Обработка аудио рассчитана на фрагменты длительностью 5 секунд: сигнал приводится к 16 кГц и преобразуется в мел-спектрограмму с 128 полосами. Модель принимает аудио и выдаёт метку классификации. В таблице авторов для этого варианта приведены F1 0,76, чувствительность 0,66 и специфичность 0,92.

Модель подходит для предварительной проверки музыкальных записей на синтетическое происхождение, но результат на отдельном пятсекундном фрагменте не гарантирует верную оценку всей песни; по опубликованным метрикам чувствительность ниже специфичности. Репозиторий заявляет лицензию MIT.

Сценарии применения

  • проверка музыкального фрагмента на генерацию ИИ
  • отсев синтетических песен в музыкальном каталоге
  • анализ происхождения аудиозаписей для модерации
  • исследование методов обнаружения искусственно созданной музыки

Ограничения

Модель предназначена для фрагментов длительностью 5 секунд, поэтому её оценка может не отражать свойства всей композиции. Для варианта γ авторы приводят чувствительность 0,66 и специфичность 0,92, что указывает на риск пропуска части синтетических песен.

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

📌 Abstract

The recent surge in AI-generated songs presents exciting possibilities and challenges. These innovations necessitate the ability to distinguish between human-composed and synthetic songs to safeguard artistic integrity and protect human musical artistry. Existing research and datasets in fake song detection only focus on singing voice deepfake detection (SVDD), where the vocals are AI-generated but the instrumental music is sourced from real songs. However, these approaches are inadequate for detecting contemporary end-to-end artificial songs where all components (vocals, music, lyrics, and style) could be AI-generated. Additionally, existing datasets lack music-lyrics diversity, long-duration songs, and open-access fake songs. To address these gaps, we introduce SONICS, a novel dataset for end-to-end Synthetic Song Detection (SSD), comprising over 97k songs (4,751 hours) with over 49k synthetic songs from popular platforms like Suno and Udio. Furthermore, we highlight the importance of modeling long-range temporal dependencies in songs for effective authenticity detection, an aspect entirely overlooked in existing methods. To utilize long-range patterns, we introduce SpecTTTra, a novel architecture that significantly improves time and memory efficiency over conventional CNN and Transformer-based models. For long songs, our top-performing variant outperforms ViT by 8% in F1 score, is 38% faster, and uses 26% less memory, while also surpassing ConvNeXt with a 1% F1 score gain, 20% speed boost, and 67% memory reduction.

🔗 Links

🏆 Model Performance

Model NameHF LinkVariantDurationf_clipt_clipF1SensitivitySpecificitySpeed (A/S)FLOPs (G)Mem. (GB)# Act. (M)# Param. (M)
sonics-spectttra-alpha-5sHFSpecTTTra-α5s130.780.690.941482.90.5617
sonics-spectttra-beta-5sHFSpecTTTra-β5s350.780.690.941521.10.2517
sonics-spectttra-gamma-5sHFSpecTTTra-γ5s570.760.660.921540.70.1217
sonics-spectttra-alpha-120sHFSpecTTTra-α120s130.970.960.994723.73.95019
sonics-spectttra-beta-120sHFSpecTTTra-β120s350.920.860.998014.02.32921
sonics-spectttra-gamma-120sHFSpecTTTra-γ120s570.880.790.999710.11.62024

📐 Model Architecture

  • Base Model: SpectTTTra (Spectro-Temporal Tokens Transformer)
  • Embedding Dimension: 384
  • Number of Heads: 6
  • Number of Layers: 12
  • MLP Ratio: 2.67

🎶 Audio Processing

  • Sample Rate: 16kHz
  • FFT Size: 2048
  • Hop Length: 512
  • Mel Bands: 128
  • Frequency Range: 20Hz - 8kHz
  • Normalization: Mean-std normalization

♻️ Usage

# Install from GitHub
!pip install git+https://github.com/awsaf49/sonics.git

# Load model
from sonics import HFAudioClassifier
model = HFAudioClassifier.from_pretrained("awsaf49/sonics-spectttra-gamma-5s")

📝 Citation

@inproceedings{rahman2024sonics,
        title={SONICS: Synthetic Or Not - Identifying Counterfeit Songs},
        author={Rahman, Md Awsafur and Hakim, Zaber Ibn Abdul and Sarker, Najibul Haque and Paul, Bishmoy and Fattah, Shaikh Anowarul},
        booktitle={International Conference on Learning Representations (ICLR)},
        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
a349d42

0 моделей