/ Модель

Характеристики

Контекст
512 токенов
Параметры
132 млн
Лицензия
Apache 2.0
Архитектура
clap · dense
Опубликована
16 фев 2023

clap-htsat-fused

Классификация аудиоАудио → label6 профессий

CLAP от LAION сопоставляет аудио с текстовыми описаниями для классификации звуков без примеров и поиска аудио по тексту.

7,4 млнскачиваний за 30 дней165лайковвеса обновлены12 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки12

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • CommonVoiceMini17A2TRetrieval

    main_score

    Результат

    0,0354

    Общий результат 0,018Общий результат 0,008Общий результат 0,004
    MTEB

    Публичная таблицадругая ревизия

  • CommonVoiceMini17T2ARetrieval

    main_score

    Результат

    0,014

    MTEB

    Публичная таблицадругая ревизия

  • SIBFLEURS

    main_score

    Результат

    0,0984

    Общий результат 0,0976Общий результат 0,0889Общий результат 0,0802
    MTEB

    Публичная таблицадругая ревизия

  • CommonVoiceMini21A2TRetrieval

    main_score

    Результат

    0,035

    Общий результат 0,05Общий результат 0,03Общий результат 0,03
    MTEB

    Публичная таблицадругая ревизия

  • FleursA2TRetrieval

    main_score

    Результат

    0,0094

    Общий результат 0,0135Общий результат 0,0078Общий результат 0,0073
    MTEB

    Публичная таблицадругая ревизия

  • ESC50Clustering

    main_score

    Результат

    0,933

    MTEB

    Публичная таблицадругая ревизия

  • FleursT2ARetrieval

    main_score

    Результат

    0,004

    Общий результат 0,0234Общий результат 0,0157Общий результат 0,0073
    MTEB

    Публичная таблицадругая ревизия

  • CommonVoiceMini21T2ARetrieval

    main_score

    Результат

    0,045

    Общий результат 0,05Общий результат 0,05Общий результат 0,03
    MTEB

    Публичная таблицадругая ревизия

  • HiFiTTSA2TRetrieval

    main_score

    Результат

    0,0133

    MTEB

    Публичная таблицадругая ревизия

  • ESC50AudioReranking

    main_score

    Результат

    0,8688

    MTEB

    Публичная таблицадругая ревизия

  • UrbanSound8KAudioReranking

    main_score

    Результат

    0,6442

    MTEB

    Публичная таблицадругая ревизия

  • FSD2019Kaggle

    main_score

    Результат

    0,4037

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

laion/clap-htsat-fused — мультимодальная модель CLAP (Contrastive Language-Audio Pretraining), разработанная LAION для сопоставления аудио с текстовыми описаниями. Она обучена на наборе LAION-Audio-630K, содержащем аудио-текстовые пары; архитектура включает аудиоэнкодер HTSAT и механизм слияния признаков. Модель насчитывает 132,1 млн параметров и распространяется в форматах PyTorch и Safetensors.

Модель предназначена для классификации аудиозаписей без обучения на конкретных классах: пользователь передаёт аудио и варианты текстовых меток, а модель оценивает их соответствие. Она также извлекает аудио- и текстовые эмбеддинги, что подходит для поиска аудио по описанию и сопоставления звука с текстом. Карточка сообщает о сильных результатах в поиске аудио по тексту и классификации с нулевым числом примеров. Метаданные указывают английский язык; лицензия — Apache-2.0. Результаты зависят от формулировок текстовых меток и охвата обучающих данных; карточка не описывает гарантии качества для отдельных языков и аудиодоменов.

Сценарии применения

  • классификация звуков по заданным текстовым меткам без дообучения
  • поиск аудиозаписей по текстовому описанию
  • сопоставление звука с набором возможных описаний
  • извлечение аудиоэмбеддингов для анализа
  • извлечение текстовых эмбеддингов для сопоставления с аудио

Ограничения

Качество классификации зависит от выбора и формулировки текстовых меток. Карточка не приводит гарантий качества для отдельных языков и специализированных аудиодоменов.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for CLAP

Model card for CLAP: Contrastive Language-Audio Pretraining

Dataset

LAION-CLAP was trained on LAION-audio-630k

Table of Contents

  1. TL;DR
  2. Model Details
  3. Usage
  4. Uses
  5. Citation

TL;DR

The abstract of the paper states that:

Contrastive learning has shown remarkable success in the field of multimodal representation learning. In this paper, we propose a pipeline of contrastive language-audio pretraining to develop an audio representation by combining audio data with natural language descriptions. To accomplish this target, we first release LAION-Audio-630K, a large collection of 633,526 audio-text pairs from different data sources. Second, we construct a contrastive language-audio pretraining model by considering different audio encoders and text encoders. We incorporate the feature fusion mechanism and keyword-to-caption augmentation into the model design to further enable the model to process audio inputs of variable lengths and enhance the performance. Third, we perform comprehensive experiments to evaluate our model across three tasks: text-to-audio retrieval, zero-shot audio classification, and supervised audio classification. The results demonstrate that our model achieves superior performance in text-to-audio retrieval task. In audio classification tasks, the model achieves state-of-the-art performance in the zero-shot setting and is able to obtain performance comparable to models' results in the non-zero-shot setting. LAION-Audio-630K and the proposed model are both available to the public.

Usage

You can use this model for zero shot audio classification or extracting audio and/or textual features.

Uses

Perform zero-shot audio classification

Using pipeline

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("ashraq/esc50")
audio = dataset["train"]["audio"][-1]["array"]

audio_classifier = pipeline(task="zero-shot-audio-classification", model="laion/clap-htsat-fused")
output = audio_classifier(audio, candidate_labels=["Sound of a dog", "Sound of vaccum cleaner"])
print(output)
>>> [{"score": 0.999, "label": "Sound of a dog"}, {"score": 0.001, "label": "Sound of vaccum cleaner"}]

Run the model:

You can also get the audio and text embeddings using ClapModel

Run the model on CPU:

from datasets import load_dataset
from transformers import ClapModel, ClapProcessor

librispeech_dummy = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
audio_sample = librispeech_dummy[0]

model = ClapModel.from_pretrained("laion/clap-htsat-fused")
processor = ClapProcessor.from_pretrained("laion/clap-htsat-fused")

inputs = processor(audios=audio_sample["audio"]["array"], return_tensors="pt")
audio_embed = model.get_audio_features(**inputs)

Run the model on GPU:

from datasets import load_dataset
from transformers import ClapModel, ClapProcessor

librispeech_dummy = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
audio_sample = librispeech_dummy[0]

model = ClapModel.from_pretrained("laion/clap-htsat-fused").to(0)
processor = ClapProcessor.from_pretrained("laion/clap-htsat-fused")

inputs = processor(audios=audio_sample["audio"]["array"], return_tensors="pt").to(0)
audio_embed = model.get_audio_features(**inputs)

Citation

If you are using this model for your work, please consider citing the original paper:

@misc{https://doi.org/10.48550/arxiv.2211.06687,
  doi = {10.48550/ARXIV.2211.06687},
  
  url = {https://arxiv.org/abs/2211.06687},
  
  author = {Wu, Yusong and Chen, Ke and Zhang, Tianyu and Hui, Yuchen and Nezhurina, Marianna and Berg-Kirkpatrick, Taylor and Dubnov, Shlomo},
  
  keywords = {Sound (cs.SD), Audio and Speech Processing (eess.AS), FOS: Computer and information sciences, FOS: Computer and information sciences, FOS: Electrical engineering, electronic engineering, information engineering, FOS: Electrical engineering, electronic engineering, information engineering},
  
  title = {Large-scale Contrastive Language-Audio Pretraining with Feature Fusion and Keyword-to-Caption Augmentation},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {Creative Commons Attribution 4.0 International}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Нельзя запустить

Для архитектуры clap нет загрузчика под задачу audio-classification.

Класс архитектуры
ClapModel
Ревизия весов
365dea6

0 моделей