/ Модель

Характеристики

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

larger_clap_music

ЭмбеддингиТекст → embedding4 профессии

Модель LAION CLAP сопоставляет музыкальные аудиозаписи с текстовыми описаниями и извлекает их эмбеддинги для классификации и поиска по сходству.

209 тыс.скачиваний за 30 дней52лайкавеса обновлены30 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 оценки16

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

  • FleursT2ARetrieval

    main_score

    Результат

    0,0069

    Общий результат 0,0135Общий результат 0,0106Общий результат 0,0066
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17A2TRetrieval

    main_score

    Результат

    0,008

    Общий результат 0,01Общий результат 0,01Общий результат 0,01
    MTEB

    Публичная таблицаревизия совпадает

  • FleursA2TRetrieval

    main_score

    Результат

    0,0054

    Общий результат 0,0167Общий результат 0,011Общий результат 0,0097
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21A2TRetrieval

    main_score

    Результат

    0,025

    Общий результат 0,03Общий результат 0,03
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini17T2ARetrieval

    main_score

    Результат

    0,012

    Общий результат 0,01Общий результат 0,01Общий результат 0,008
    MTEB

    Публичная таблицаревизия совпадает

  • JamAltLyricA2TRetrieval

    main_score

    Результат

    0,008

    Общий результат 0,0059
    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebClustering

    main_score

    Результат

    0,0027

    MTEB

    Публичная таблицаревизия совпадает

  • FSD2019Kaggle

    main_score

    Результат

    0,081

    MTEB

    Публичная таблицаревизия совпадает

  • SIBFLEURS

    main_score

    Результат

    0,0269

    Общий результат 0,0791Общий результат 0,0617Общий результат 0,053
    MTEB

    Публичная таблицаревизия совпадает

  • CommonVoiceMini21T2ARetrieval

    main_score

    Результат

    0,025

    Общий результат 0,0119Общий результат 0,008
    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageLanguageDetection

    main_score

    Результат

    0,0495

    MTEB

    Публичная таблицаревизия совпадает

  • LibriTTST2ARetrieval

    main_score

    Результат

    0,0011

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50Clustering

    main_score

    Результат

    0,3301

    MTEB

    Публичная таблицаревизия совпадает

  • MusicCapsA2TRetrieval

    main_score

    Результат

    0,0012

    MTEB

    Публичная таблицаревизия совпадает

  • VoiceGenderClustering

    main_score

    Результат

    0,0188

    MTEB

    Публичная таблицаревизия совпадает

  • ESC50AudioReranking

    main_score

    Результат

    0,4074

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

laion/larger_clap_music — модель CLAP (Contrastive Language-Audio Pretraining), опубликованная LAION и специально обученная на музыкальных данных. Она сопоставляет аудио и текст в общем векторном пространстве: аудиокодировщик на основе Swin Transformer получает признаки из лог-мел-спектрограммы, а текстовый кодировщик на основе RoBERTa — из текстового описания. Число параметров — 132,1 млн; модель представлена в формате PyTorch и распространяется по лицензии Apache-2.0.

Модель подходит для извлечения аудио- и текстовых эмбеддингов, классификации аудио с нулевым обучением и поиска текстовых описаний, наиболее соответствующих музыкальному фрагменту. Можно, например, ранжировать заданные пользователем подписи по сходству с аудио. Оценки сходства помогают сравнивать варианты, но сами по себе не являются вероятностями или гарантией точной классификации.

Карточка не приводит сведения о поддерживаемых языках текста, длине аудио или контексте. Качество зависит от соответствия музыкальных данных и текстовых меток, а заявленная специализация на музыке не подтверждает одинаковую точность на других типах звука.

Сценарии применения

  • классификация музыкальных фрагментов по заданным текстовым меткам
  • поиск текстового описания, наиболее подходящего к аудиозаписи
  • извлечение эмбеддингов музыки для поиска по сходству
  • ранжирование подписей к музыкальным фрагментам

Ограничения

Карточка не сообщает языки текста и ограничения по длительности входного аудио. Качество классификации зависит от выбранных текстовых меток и может снижаться на звуках вне музыкальной области, на которой специализируется чекпойнт.

Для каких профессий подходит4

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

Model

TL;DR

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

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_music")
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_music")
processor = ClapProcessor.from_pretrained("laion/larger_clap_music")

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

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
a0b4534

0 моделей