Характеристики

Лицензия: MIT
Библиотека: onnx
Опубликована: 7 окт 2026

Ссылки

Hugging Face

dge-all-tags-tagger

cmjatom

Классификация аудиоАудио → label

Модель на основе EfficientAT для разметки аудио по музыкальным инструментам, типам звуков и эффектам.

0скачиваний за 30 дней0лайковвеса обновлены7 окт 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

DGE all-tags audio tagger — модель классификации аудио для Document Graph Explorer, разработанная cmjatom на основе EfficientAT mn10_as от fschmid56. Модель дообучена на данных FSD50K, NSynth, MTG-Jamendo, OpenMIC, Freesound и SoundCloud для распознавания музыкальных инструментов, типов звуков и звуковых эффектов.

На вход подаются монофонические аудиоданные с частотой 32 кГц, преобразованные в 128-полосные log-mel кадры в формате EfficientAT. Модель выдаёт оценки sigmoid для каждой метки; пороги для меток заданы отдельно. В репозитории веса представлены в формате ONNX. Лицензия модели — MIT, однако для повторного использования следует учитывать лицензии обучающих наборов. В README также отмечено, что аудио в репозитории не распространяется.

Сценарии применения

определение музыкальных инструментов в аудиозаписи
разметка типов звуков и звуковых эффектов
автоматическая категоризация музыкальных и звуковых клипов

Ограничения

Модель ожидает монофонический сигнал 32 кГц, преобразованный в 128-полосные log-mel кадры EfficientAT; для меток требуются отдельные пороги. Лицензии обучающих наборов могут ограничивать повторное использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DGE all-tags audio tagger

EfficientAT mn10_as (MIT, fschmid56/EfficientAT, AudioSet-pretrained) fine-tuned to tag instruments, sound types and effects for Document Graph Explorer. Input: 32 kHz mono, 128-band log-mel frames as in EfficientAT; output: one sigmoid per label in onnx/model.json, with per-label thresholds in thresholds.json.

Fine-tuning data: FSD50K (CC licences), NSynth (CC BY 4.0), MTG-Jamendo and OpenMIC (CC licences), Freesound clips (per-clip CC licences) and SoundCloud preview clips. No audio is redistributed here; only the trained weights.

eval.txt holds held-out scores (precision/recall per label). Research and app use; check the licences of the training sets before other uses.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов: 2e3617f