/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
mert_model · dense
Опубликована
17 мар 2023

MERT-v1-330M

Классификация аудиоАудио → label3 профессии

MERT-v1-330M — предобученная Transformer-модель для классификации музыкального аудио и извлечения признаков для анализа музыки.

103 тыс.скачиваний за 30 дней100лайковвеса обновлены25 мая 2025

Бенчмарки

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

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

MERT-v1-330M — модель семейства Music Audio Pre-training, разработанного командой m-a-p для понимания музыкального аудио и извлечения признаков. Это предобученная Transformer-модель с 24 слоями и размерностью 1024; в карточке README указано 330 млн параметров, тогда как метаданные каталога содержат оценку 402,7 млн. Модель обучена по схеме MLM на 160 тысячах часов музыки с частотой дискретизации 24 кГц и контекстом предобучения 5 секунд.

Модель предназначена для извлечения музыкальных представлений и классификации аудио, а полученные признаки можно использовать в последующих задачах анализа музыки. Она выдаёт признаки с частотой 75 кадров в секунду; разные слои могут давать разное качество в зависимости от задачи. Данные README также отмечают, что обучение на кодовых книгах EnCodec потенциально может поддерживать задачи генерации музыки, но карточка модели не указывает генерацию как подтверждённую задачу. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями на коммерческое применение.

Сценарии применения

  • извлечение признаков из музыкальных записей
  • классификация музыкального аудио
  • подготовка представлений музыки для downstream-задач
  • анализ музыки по аудиофрагментам

Ограничения

Для корректного использования следует учитывать ожидаемую частоту дискретизации 24 кГц и контекст предобучения 5 секунд; качество признаков может различаться между слоями и задачами. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Для каких профессий подходит3

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

Introduction to our series work

The development log of our Music Audio Pre-training (m-a-p) model family:

  • 02/06/2023: arxiv pre-print and training codes released.
  • 17/03/2023: we release two advanced music understanding models, MERT-v1-95M and MERT-v1-330M , trained with new paradigm and dataset. They outperform the previous models and can better generalize to more tasks.
  • 14/03/2023: we retrained the MERT-v0 model with open-source-only music dataset MERT-v0-public
  • 29/12/2022: a music understanding model MERT-v0 trained with MLM paradigm, which performs better at downstream tasks.
  • 29/10/2022: a pre-trained MIR model music2vec trained with BYOL paradigm.

Here is a table for quick model pick-up:

NamePre-train ParadigmTraining Data (hour)Pre-train Context (second)Model SizeTransformer Layer-DimensionFeature RateSample RateRelease Date
MERT-v1-330MMLM160K5330M24-102475 Hz24K Hz17/03/2023
MERT-v1-95MMLM20K595M12-76875 Hz24K Hz17/03/2023
MERT-v0-publicMLM900595M12-76850 Hz16K Hz14/03/2023
MERT-v0MLM1000595 M12-76850 Hz16K Hz29/12/2022
music2vec-v1BYOL10003095 M12-76850 Hz16K Hz30/10/2022

Explanation

The m-a-p models share the similar model architecture and the most distinguished difference is the paradigm in used pre-training. Other than that, there are several nuance technical configuration needs to know before using:

  • Model Size: the number of parameters that would be loaded to memory. Please select the appropriate size fitting your hardware.
  • Transformer Layer-Dimension: The number of transformer layers and the corresponding feature dimensions can be outputted from our model. This is marked out because features extracted by different layers could have various performance depending on tasks.
  • Feature Rate: Given a 1-second audio input, the number of features output by the model.
  • Sample Rate: The frequency of audio that the model is trained with.

Introduction to MERT-v1

Compared to MERT-v0, we introduce multiple new things in the MERT-v1 pre-training:

  • Change the pseudo labels to 8 codebooks from encodec, which potentially has higher quality and empower our model to support music generation.
  • MLM prediction with in-batch noise mixture.
  • Train with higher audio frequency (24K Hz).
  • Train with more audio data (up to 160 thousands of hours).
  • More available model sizes 95M and 330M.

More details will be written in our coming-soon paper.

Model Usage

# from transformers import Wav2Vec2Processor
from transformers import Wav2Vec2FeatureExtractor
from transformers import AutoModel
import torch
from torch import nn
import torchaudio.transforms as T
from datasets import load_dataset

# loading our model weights
model = AutoModel.from_pretrained("m-a-p/MERT-v1-330M", trust_remote_code=True)
# loading the corresponding preprocessor config
processor = Wav2Vec2FeatureExtractor.from_pretrained("m-a-p/MERT-v1-330M",trust_remote_code=True)

# load demo audio and set processor
dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
dataset = dataset.sort("id")
sampling_rate = dataset.features["audio"].sampling_rate

resample_rate = processor.sampling_rate
# make sure the sample_rate aligned
if resample_rate != sampling_rate:
    print(f'setting rate from {sampling_rate} to {resample_rate}')
    resampler = T.Resample(sampling_rate, resample_rate)
else:
    resampler = None

# audio file is decoded on the fly
if resampler is None:
	input_audio = dataset[0]["audio"]["array"]
else:
  input_audio = resampler(torch.from_numpy(dataset[0]["audio"]["array"]))
  
inputs = processor(input_audio, sampling_rate=resample_rate, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs, output_hidden_states=True)

# take a look at the output shape, there are 25 layers of representation
# each layer performs differently in different downstream tasks, you should choose empirically
all_layer_hidden_states = torch.stack(outputs.hidden_states).squeeze()
print(all_layer_hidden_states.shape) # [25 layer, Time steps, 1024 feature_dim]

# for utterance level classification tasks, you can simply reduce the representation in time
time_reduced_hidden_states = all_layer_hidden_states.mean(-2)
print(time_reduced_hidden_states.shape) # [25, 1024]

# you can even use a learnable weighted average representation
aggregator = nn.Conv1d(in_channels=25, out_channels=1, kernel_size=1)
weighted_avg_hidden_states = aggregator(time_reduced_hidden_states.unsqueeze(0)).squeeze()
print(weighted_avg_hidden_states.shape) # [1024]

Citation

@misc{li2023mert,
      title={MERT: Acoustic Music Understanding Model with Large-Scale Self-supervised Training}, 
      author={Yizhi Li and Ruibin Yuan and Ge Zhang and Yinghao Ma and Xingran Chen and Hanzhi Yin and Chenghua Lin and Anton Ragni and Emmanouil Benetos and Norbert Gyenge and Roger Dannenberg and Ruibo Liu and Wenhu Chen and Gus Xia and Yemin Shi and Wenhao Huang and Yike Guo and Jie Fu},
      year={2023},
      eprint={2306.00107},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · audio-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MERTModel
Ревизия весов
5240c27

0 моделей