/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
pytorch
Опубликована
10 июл 2026

vital-jepa-v1

Языковая модель

Аудиоэнкодер JEPA для поиска похожих звуков и инициализации редактируемого саунд-дизайна в синтезаторе Vital.

0скачиваний за 30 дней0лайковвеса обновлены10 июл 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

Vital Audio JEPA V1 — аудиоэнкодер, разработанный автором репозитория duckking032 и обученный на рендерах синтезатора Vital 1.6.4. Модель использует masked audio JEPA: онлайн-энкодер обрабатывает часть спектрограммных патчей, а предсказатель восстанавливает латентные представления скрытых патчей с помощью целевого энкодера с экспоненциальным скользящим средним.

Модель предназначена для поиска похожих звуков и как начальная точка для редактируемого саунд-дизайна в Vital; она не рассчитана на точное восстановление пресетов. На вход подаётся шестисекундный моноаудиосигнал с частотой 22,05 кГц, представленный 128-канальной log-mel-спектрограммой и разбитый на 256 патчей. В README приведены метрики поиска по 7 394 клипам: точность top-1 для совпадения типа звука — 39,57%, top-5 — 71,42%. Модель опубликована в формате PyTorch; лицензия обозначена как other, конкретные условия в доступных данных не раскрыты.

Сценарии применения

  • поиск похожих звуков среди рендеров Vital
  • поиск звуков того же типа
  • получение аудиопредставлений для рабочего процесса саунд-дизайна в Vital
  • инициализация редактируемого саунд-дизайна по аудиоклипу

Ограничения

Модель предназначена для поиска и инициализации рабочего процесса, а не для точного восстановления пресетов. Оценка retrieval получена на отфильтрованных клипах Vital и может не отражать качество на других источниках аудио.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vital Audio JEPA V1

Masked audio JEPA encoder trained on native Vital 1.6.4 renders from duckking032/vital.

Input

  • 22,050 Hz mono
  • 6.0 seconds
  • 128-bin log-mel spectrogram
  • 1024-sample FFT, 256-sample hop
  • 16x16 spectrogram patches (8x32 grid, 256 tokens)

The source renders were produced by loading unchanged .vital files in Vital's standalone headless renderer. Training audio was averaged to mono, anti-aliased downsampled from 44.1 kHz, and trimmed to six seconds. Near-silent renders, severely clipped renders, and exact duplicate audio were excluded.

Objective

The online encoder receives 40% context patches. A predictor reconstructs 40% target patches in the latent space of an exponential-moving-average target encoder.

This model is intended as a retrieval and initialization baseline for editable Vital sound-design workflows, not exact preset reconstruction.

See eval_runs/jepa_v1/results/eval_report.json for measured masked loss and same-category retrieval metrics.

Evaluation

The selected final checkpoint was evaluated deterministically on all 7,394 filtered clips:

  • masked validation loss: 0.10173
  • top-1 same-type retrieval: 39.57%
  • top-5 same-type retrieval: 71.42%
  • mean reciprocal same-type rank at 10: 0.5301

For context, V0 reported 24.4% top-1 and 53.8% top-5 retrieval, but it was trained on the subsequently rejected approximation renders, so that comparison is directional rather than controlled.

The final checkpoint was selected for retrieval quality. The step-10,000 checkpoint had a marginally lower masked validation loss (0.10133) but slightly weaker retrieval.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

У модели не указана задача.

Ревизия весов
9958d39

0 моделей