/ Модель

Характеристики

Контекст
1 024 токена
Параметры
153 млн
Лицензия
CC BY 4.0
Архитектура
whisper · dense
Базовая модель
whisper-small
Библиотека
transformers
Опубликована
9 фев 2026

music-whisper

Распознавание речиАудио → текст5 профессий

Дообученная версия Whisper Small, которая создаёт текстовые описания музыкальных фрагментов и их звучания.

849скачиваний за 30 дней7лайковвеса обновлены6 мая 2026

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 «Распознавание речи» — 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 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

laion/music-whisper — модель распознавания аудио на базе Whisper Small от OpenAI, дообученная LAION для создания текстовых описаний музыкальных фрагментов. Она анализирует звучание и формирует подписи с характеристиками инструментов, ритма и темпа, вокала, жанра, настроения и качества записи; такие описания подходят для каталогизации музыки, поиска треков и подготовки подписей к аудио.

Модель основана на архитектуре Whisper и содержит 153,1 млн параметров. Репозиторий использует библиотеку Transformers и формат safetensors. Модель распространяется по лицензии CC BY 4.0.

Сценарии применения

  • создание описаний музыкальных фрагментов для каталога
  • определение инструментов и характеристик звучания по аудио
  • описание жанра, настроения и темпа музыкального трека
  • подготовка подписей к музыке для поиска и рекомендаций

Ограничения

Модель ориентирована на описание музыки; точность распознавания речи и переносимость на аудио других типов не охарактеризованы. Примеры в README показывают возможные описания, но не дают количественной оценки качества.

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

Music Whisper (Whisper Small Fine-tune)

This is a fine-tuned version of OpenAI Whisper Small specifically trained for Music Captioning.

Model Details

  • Base Model: OpenAI Whisper Small
  • Task: Music Captioning (generating textual descriptions of audio tracks)

Reference Samples

This repository includes an HTML file with embedded reference samples that you can download and view to hear the audio alongside the generated captions.

Example Predictions

Below are examples of captions generated by this model (Ground Truth/Prediction comparison):

Example 1

"The listener hears a track that immediately establishes itself with a distorted guitar riff, setting a raw and edgy tone. A driving drum beat soon joins, characterized by a prominent snare drum and a heavy kick drum, solidifying the rhythmic foundation. The tempo is approximately 140 beats per minute, contributing to the track's energetic feel. A male vocalist then begins to sing, employing a slightly strained vocal delivery. The vocal profile is that of an adult male, with a timbre and quality described as slightly raspy and aggressive. There are no non-lyrical vocal sounds present. The genre of the music is identified as either Alternative Rock or Hard Rock. The overall mood of the piece is energetic, rebellious, and carries a slight sense of angst. The combination of distorted guitars, the driving drum beat, and the strained vocal delivery are all characteristic elements of these genres. The production quality is relatively clean, yet it retains a raw edge, which enhances the overall intensity of the track. This track would be well-suited for a high-energy action scene, a rock concert, or a rebellious youth anthem."

Example 2

"The listener hears a piece of music primarily characterized by a slow tempo and a melancholic melody. The primary instrumentation consists of a piano, which carries the main melodic line, and a string section that provides a subtle harmonic foundation. The piano's timbre is described as warm and slightly muffled, contributing to the overall sonic texture. The string section is played with a gentle touch, adding a layer of emotional depth to the piece. The tempo is slow, contributing to the overall mood. The genre of the music is identified as either Classical or Film Score. The mood is predominantly melancholic, reflective, and peaceful. The combination of the piano's melody, the string section's presence, and the string section's delicate sound creates a sense of intimacy and vulnerability. This musical composition would be well-suited for a dramatic scene in a film, a quiet moment of reflection, or as background music for a relaxing activity."

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
WhisperForConditionalGeneration
Ревизия весов
f779980

0 моделей