/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
mt3
Библиотека
ggml
Опубликована
2 сен 2026

mt3-GGUF

Классификация аудиоАудио → label3 профессии

MT3 в формате GGUF транскрибирует музыку в многодорожечные MIDI-подобные события с определением нот, инструментов и ударных.

487скачиваний за 30 дней0лайковвеса обновлены2 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

Это конвертированная в GGUF версия модели MT3 от Google Magenta, подготовленная для CrispStrobe/CrispASR и распространяемая по лицензии Apache-2.0. Модель на архитектуре типа T5 принимает аудиосигнал, обрабатываемый через log-mel спектрограмму, и преобразует его в последовательность MIDI-подобных событий нот. Она распознаёт несколько инструментов одновременно: события содержат номер программы General MIDI, а ударные выделяются в отдельный класс.

Модель предназначена для транскрибирования музыкальных записей и экспорта результата в MIDI или JSON, включая отдельные дорожки для инструментов. В репозитории указаны веса GGUF F16 размером 96 МБ и проверка совпадения весов с эталонным PyTorch-экспортом. Реализация использует синусоидальные абсолютные позиции; runtime прекращает работу при несовместимой конфигурации внимания вместо незаметного перехода на относительные T5-позиции. Карточка не сообщает языковые требования, поэтому модель описывается как музыкальная транскрипция без привязки к естественному языку.

Сценарии применения

  • транскрибирование музыкальной записи в MIDI
  • распознавание нот нескольких инструментов в аудиомиксе
  • разделение нотных событий по инструментам General MIDI
  • экспорт распознанных нот и инструментов в JSON
  • создание MIDI-дорожки ударных по аудиозаписи

Ограничения

Модель предназначена для музыкальной транскрипции, а не для распознавания речи; карточка не приводит оценок качества на наборах данных. Для корректной работы необходим runtime, поддерживающий указанную конфигурацию синусоидальных позиций и внимания.

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

MT3 — GGUF (ggml)

GGUF conversion of Google Magenta's MT3 multi-instrument music transcription model (Apache-2.0) for CrispStrobe/CrispASR (§250).

MT3 is a T5-style encoder/decoder that reads a log-mel spectrogram and emits MIDI-like event tokens, transcribing multiple instruments at once — every note carries a General MIDI program, and drums are a separate class. It is the only per-program note-event model in CrispASR (piano-transcription is 88-key piano, basic-pitch is single-track polyphonic).

Files

FileSizeNotes
mt3-f16.gguf96 MB190 tensors; encoder+decoder, sinusoidal absolute positions, event codec

Converted with models/convert-mt3-to-gguf.py, which decodes the T5X/zarr checkpoint with stdlib + numpy only (no JAX, t5x or TensorStore). Weights verified bit-exact against the reference PyTorch export (189/189 tensors, max abs diff 0.0).

Usage

crispasr --piano --backend mt3 -m auto --auto-download -f song.wav
crispasr --piano -m mt3-f16.gguf -f song.wav --piano-format json   # + program/instrument/is_drum
crispasr --piano -m mt3-f16.gguf -f song.wav --piano-format midi   # multi-track SMF

--piano-format midi writes a format-1 Standard MIDI File with one track per program and drums on GM channel 10.

Parity

Validated stage-by-stage against a numpy reference implementation of the upstream graph (tools/reference_backends/mt3.py):

stageresult
mel front endcos 1.000000000
encoder outputcos 0.999999879
first-step decoder logitscos 0.999999999, argmax identical
greedy tokensidentical, 22/22 steps
end-to-end note eventsexact positional match (88/88, 5/5, 8/8 across three clips)

The GGUF records mt3.pos_embed=sinusoidal and mt3.use_relative_attention_bias=0; the runtime hard-fails rather than silently falling back to T5's relative-bucket attention, which is a known failure mode of other ports.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
4299d5f

0 моделей