/ Модель

Характеристики

Контекст
512 токенов
Параметры
132 млн
Лицензия
Apache 2.0
Архитектура
clap · dense
Опубликована
30 окт 2023

larger_clap_general

ЭмбеддингиТекст → embedding5 профессий

CLAP от LAION сопоставляет аудио с текстовыми описаниями для классификации звуков без дообучения и извлечения признаков.

328 тыс.скачиваний за 30 дней56лайковвеса обновлены31 окт 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 оценки15

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

  • SIBFLEURS

    main_score

    Результат

    0,098

    Общий результат 0,1162Общий результат 0,1154Общий результат 0,1075
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17A2TRetrieval

    main_score

    Результат

    0,0183

    Общий результат 0,012Общий результат 0,008Общий результат 0,006
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21A2TRetrieval

    main_score

    Результат

    0,014

    Общий результат 0,04Общий результат 0,03Общий результат 0,025
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21T2ARetrieval

    main_score

    Результат

    0,04

    Общий результат 0,03Общий результат 0,025
    MTEB

    Публичная таблицаревизия совпадает

  • SpeechCommandsZeroshotv0.01

    main_score

    Результат

    0,1239

    MTEB

    Публичная таблицаревизия совпадает

  • MusicCapsA2TRetrieval

    main_score

    Результат

    0,1736

    MTEB

    Публичная таблицаревизия совпадает

  • FleursT2ARetrieval

    main_score

    Результат

    0,0109

    Общий результат 0,0313Общий результат 0,0143Общий результат 0,0081
    MTEB

    Публичная таблицаревизия совпадает

  • FleursA2TRetrieval

    main_score

    Результат

    0,0192

    Общий результат 0,0094Общий результат 0,0071Общий результат 0,0056
    MTEB

    Публичная таблицаревизия совпадает

  • JamAltLyricT2ARetrieval

    main_score

    Результат

    0,01

    MTEB

    Публичная таблицаревизия совпадает

  • GigaSpeechT2ARetrieval

    main_score

    Результат

    0,0016

    MTEB

    Публичная таблицаревизия совпадает

  • SpokeNEnglish

    main_score

    Результат

    0,1

    MTEB

    Публичная таблицаревизия совпадает

  • EmoVDBA2TRetrieval

    main_score

    Результат

    0,018

    MTEB

    Публичная таблицаревизия совпадает

  • FSDnoisy18kAudioReranking

    main_score

    Результат

    0,6787

    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17T2ARetrieval

    main_score

    Результат

    0,016

    Общий результат 0,014
    MTEB

    Публичная таблицаревизия совпадает

  • FSD50K

    main_score

    Результат

    0,6538

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

laion/larger_clap_general — модель CLAP (Contrastive Language-Audio Pretraining), разработанная LAION. Это улучшенный чекпойнт, обученный на парах аудио и текста для общих звуков, музыки и речи. Архитектура объединяет аудиоэнкодер на основе Swin Transformer, который получает признаки из log-Mel-спектрограммы, и текстовый энкодер RoBERTa; их представления проецируются в общее латентное пространство, где сходство оценивается скалярным произведением.

Модель предназначена для сопоставления аудиозаписи с текстовыми описаниями без дообучения под конкретную задачу, например для классификации звуков по заданным меткам. Также она извлекает аудио- и текстовые признаки для последующего поиска и анализа. В метаданных указано около 132,1 млн параметров; доступны веса PyTorch, библиотека Transformers и лицензия Apache-2.0.

Результаты зависят от формулировок текстовых меток и от того, насколько аудио и описания соответствуют данным обучения. README не приводит оценки качества, предельную длительность аудио или перечень поддерживаемых языков.

Сценарии применения

  • классификация звуков по текстовым меткам без дообучения
  • поиск аудиозаписей по текстовым описаниям
  • сопоставление звуковых фрагментов с описаниями
  • извлечение признаков аудио для последующего анализа
  • извлечение текстовых признаков для сравнения с аудио

Ограничения

README не приводит количественных оценок качества или ограничений по длительности аудио. Качество сопоставления может зависеть от формулировок текстовых меток и соответствия аудиозаписи данным обучения.

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

TL;DR

CLAP is to audio what CLIP is to image. This is an improved CLAP checkpoint, specifically trained on general audio, music and speech.

Description

CLAP (Contrastive Language-Audio Pretraining) is a neural network trained on a variety of (audio, text) pairs. It can be instructed in to predict the most relevant text snippet, given an audio, without directly optimizing for the task. The CLAP model uses a SWINTransformer to get audio features from a log-Mel spectrogram input, and a RoBERTa model to get text features. Both the text and audio features are then projected to a latent space with identical dimension. The dot product between the projected audio and text features is then used as a similar score.

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/larger_clap_general")
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/larger_clap_general")
processor = ClapProcessor.from_pretrained("laion/larger_clap_general")

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/larger_clap_general").to(0)
processor = ClapProcessor.from_pretrained("laion/larger_clap_general")

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
ada0c23

0 моделей