/ Модель

Характеристики

Лицензия
MIT
Архитектура
songmae · dense
Библиотека
transformers
Опубликована
28 авг 2026

songmae-large-32x1

ЭмбеддингиТекст → embedding3 профессии

SongMAE-Large 32x1 — аудиоэнкодер для извлечения эмбеддингов пения птиц, поиска похожих записей, визуализации и кластеризации.

56скачиваний 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

SongMAE-Large 32x1 — аудиокодировщик на архитектуре masked autoencoder, предназначенный для получения представлений пения птиц. Модель содержит около 98,6 млн параметров и создана на основе обучения SongMAE на подмножестве XCL из BirdSet: 528 422 записи Xeno-Canto общей длительностью 7 562 часа. Входное моноаудио приводится к 32 кГц, а спектрограмма разбивается на патчи размером 32 мел-частоты на один временной шаг; модель выдаёт эмбеддинги с шагом 5 мс.

Чекпойнт предназначен для извлечения признаков и использования в качестве замороженного энкодера при поиске похожих записей, визуализации, кластеризации и обучении downstream-моделей. Для каждого временного шага возвращаются четыре вектора размерности 768; их объединение даёт 3072-мерный временной эмбеддинг, а усреднение по времени — общий эмбеддинг записи. Контекст ограничен отдельными окнами по 5 секунд, между которыми модель не передаёт информацию. Модель не классифицирует виды птиц и не генерирует аудио; на записях и таксонах, отличающихся от обучающей выборки, качество следует проверять отдельно. Лицензия — MIT.

Сценарии применения

  • поиск похожих записей пения птиц
  • кластеризация аудиозаписей по акустическим признакам
  • визуализация эмбеддингов пения птиц
  • извлечение признаков для downstream-классификатора
  • сравнение биоакустических записей

Ограничения

Модель не является классификатором видов и не генерирует аудио. Она обрабатывает запись независимыми контекстами по 5 секунд; для полевых условий и видов вне обучающего распределения требуется отдельная проверка.

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

SongMAE-Large 32x1

SongMAE is a masked autoencoder pretrained for high-resolution birdsong representation learning. This canonical Large checkpoint uses patches spanning 32 mel bins and 1 spectrogram time bin, producing one embedding every 5 ms.

The model was pretrained for 500,000 steps on the XCL subset of BirdSet, derived from 528,422 Xeno-Canto recordings totaling 7,562 hours. We first made the 95/5 training/validation split, then removed recordings from downstream evaluation birds from the training set.

Usage

pip install "transformers>=4.36" "librosa>=0.10" safetensors
import numpy as np
from transformers import AutoModel

model = AutoModel.from_pretrained(
    "georgeven/songmae-large-32x1",
    trust_remote_code=True,
).to("cuda")

embeddings = model.embed_file("bird.wav")
print(embeddings["clip_embedding"].shape)    # (3072,)
print(embeddings["token_embeddings"].shape) # (time, 3072)
print(embeddings["token_grid"].shape)       # (time, 4, 768)
print(embeddings["timestamps_ms"].shape)    # (time, 2)

np.savez("bird_songmae_32x1.npz", **embeddings)

Remove .to("cuda") to run on CPU. embed_audio(waveform, sample_rate) accepts a mono NumPy waveform directly.

Raw forward() accepts normalized log-mel tensors shaped (batch, 1, 128, 1000) and returns the encoder sequence as last_hidden_state.

Input and output contract

  • Input audio is converted to mono 32 kHz.
  • Spectrograms use 128 mel bins, a 1024-sample FFT, a 160-sample hop, 20 Hz minimum frequency, and decibels relative to each recording's maximum power.
  • Spectrogram values use the fixed pretraining mean -58.69395667478683 and standard deviation 20.184339052439707.
  • Audio is encoded in bounded 5-second contexts. The final context is padded after normalization and excluded from returned embeddings.
  • Each 5 ms output contains four 768-dimensional frequency-patch vectors. token_embeddings concatenates these into 3072 dimensions; clip_embedding is their mean across time.

Intended use and limitations

The checkpoint is intended as a frozen encoder for birdsong retrieval, visualization, clustering, and downstream probes. It is not a species classifier and does not generate audio. Field conditions and taxa unlike the pretraining distribution may require validation or adaptation. Long recordings are processed as independent 5-second contexts, so representations do not attend across context boundaries.

Provenance

  • Parameters: 98,645,249
  • Source run: xcl_large_500k_p32x1_c005
  • Source checkpoint: model_step_499999.pth
  • Source SHA-256: f12a1c0d7848a5875fd1c6c72492e6362a4c9ef6aa7036b3268f71d565fe3865
  • Source code: https://github.com/georgevenven/SongMAE

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
SongMAEModel
Ревизия весов
f4eb120

0 моделей