/ Модель

Характеристики

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

clap-htsat-unfused

ЭмбеддингиТекст → embedding5 профессий

CLAP сопоставляет аудио с текстовыми описаниями, извлекает признаки и поддерживает поиск и классификацию звуков без обучения на целевых метках.

1,1 млнскачиваний за 30 дней84лайкавеса обновлены24 апр 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки19

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

  • SIBFLEURS

    main_score

    Результат

    0,0711

    Общий результат 0,0881Общий результат 0,0806Общий результат 0,0806
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21A2TRetrieval

    main_score

    Результат

    0,04

    Общий результат 0,045Общий результат 0,02
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21T2ARetrieval

    main_score

    Результат

    0,0119

    Общий результат 0,0513Общий результат 0,05Общий результат 0,04
    MTEB

    Публичная таблицаревизия совпадает

  • SpokenQAForIC

    main_score

    Результат

    0,1446

    MTEB

    Публичная таблицаревизия совпадает

  • MusicCapsT2ARetrieval

    main_score

    Результат

    0,1189

    MTEB

    Публичная таблицаревизия совпадает

  • FleursA2TRetrieval

    main_score

    Результат

    0,0029

    Общий результат 0,0077Общий результат 0,0062Общий результат 0,005
    MTEB

    Публичная таблицаревизия совпадает

  • GTZANGenreClustering

    main_score

    Результат

    0,557

    MTEB

    Публичная таблицаревизия совпадает

  • FSDnoisy18kAudioReranking

    main_score

    Результат

    0,7121

    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17A2TRetrieval

    main_score

    Результат

    0,016

    Общий результат 0,02
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17T2ARetrieval

    main_score

    Результат

    0,006

    Общий результат 0,012
    MTEB

    Публичная таблицаревизия совпадает

  • FleursT2ARetrieval

    main_score

    Результат

    0,0079

    Общий результат 0,0146Общий результат 0,0083Общий результат 0,0074
    MTEB

    Публичная таблицаревизия совпадает

  • CREMA_D

    main_score

    Результат

    0,3756

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50AudioReranking

    main_score

    Результат

    0,8947

    MTEB

    Публичная таблицаревизия совпадает

  • ClothoA2TRetrieval

    main_score

    Результат

    0,4469

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1097

    MTEB

    Публичная таблицаревизия совпадает

  • JLCorpusT2ARetrieval

    main_score

    Результат

    0,06

    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliAccentPairClassification

    main_score

    Результат

    0,5396

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,9702

    MTEB

    Публичная таблицаревизия совпадает

  • CMUArcticT2ARetrieval

    main_score

    Результат

    0,0061

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

laion/clap-htsat-unfused — модель CLAP (Contrastive Language-Audio Pretraining), опубликованная LAION. Она сопоставляет аудио с текстовыми описаниями и предназначена для извлечения аудио- и текстовых признаков, поиска аудио по тексту и классификации звуков без специального обучения на заданных классах. Модель использует контрастивное мультимодальное обучение на парах аудио и текста; в репозитории указаны архитектура ClapModel, 132,1 млн параметров и формат PyTorch.

Модель принимает аудио и текст, а выдаёт векторы признаков, пригодные для сопоставления и оценки соответствия. В README описаны поиск аудио по тексту и классификация звуков по кандидатным текстовым меткам. Для прикладного использования доступна через Transformers. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск аудиозаписей по текстовому описанию
  • классификация звуков по заданным текстовым меткам
  • извлечение признаков аудио для последующего анализа
  • извлечение текстовых признаков для сопоставления с аудио

Ограничения

README описывает классификацию по кандидатным текстовым меткам и извлечение признаков; качество на конкретных наборах звуков может зависеть от соответствия аудиоданных и формулировок меток.

Для каких профессий подходит5

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

clap_image

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-unfused")
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-unfused")
processor = ClapProcessor.from_pretrained("laion/clap-htsat-unfused")

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-unfused").to(0)
processor = ClapProcessor.from_pretrained("laion/clap-htsat-unfused")

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 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

Можно запустить

Подбираем GPU…

Класс архитектуры
ClapModel
Ревизия весов
8fa0f1c

0 моделей