/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Своя лицензия
Архитектура
hear_canon_vit · dense
Библиотека
transformers
Опубликована
26 мар 2026

HeAR-s1.1

ЭмбеддингиТекст → embedding3 профессии

Компактная дистиллированная аудио-модель на базе ViT-S, извлекающая 384-мерные акустические представления из двухсекундных фрагментов.

349скачиваний за 30 дней1лайквеса обновлены26 мар 2026

Бенчмарки

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

Публичные оценки12

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

  • SIBFLEURS

    main_score

    Результат

    0,2664

    Общий результат 0,4727Общий результат 0,4221Общий результат 0,3929
    MTEB

    Публичная таблицаревизия совпадает

  • CommonLanguageAgeDetection

    main_score

    Результат

    0,1538

    MTEB

    Публичная таблицаревизия совпадает

  • MInDS14

    main_score

    Результат

    0,1063

    Общий результат 0,1724Общий результат 0,162Общий результат 0,1014
    MTEB

    Публичная таблицаревизия совпадает

  • VoxPopuliLanguageID

    main_score

    Результат

    0,364

    MTEB

    Публичная таблицаревизия совпадает

  • JamAltArtistA2ARetrieval

    main_score

    Результат

    0,903

    Общий результат 0,8632
    MTEB

    Публичная таблицаревизия совпадает

  • NMSQAPairClassification

    main_score

    Результат

    0,5349

    MTEB

    Публичная таблицаревизия совпадает

  • BirdCLEF

    main_score

    Результат

    0,22

    MTEB

    Публичная таблицаревизия совпадает

  • VoxCelebSA

    main_score

    Результат

    0,2908

    MTEB

    Публичная таблицаревизия совпадает

  • GTZANAudioReranking

    main_score

    Результат

    0,5984

    MTEB

    Публичная таблицаревизия совпадает

  • BeijingOpera

    main_score

    Результат

    0,9154

    MTEB

    Публичная таблицаревизия совпадает

  • IEMOCAPGender

    main_score

    Результат

    0,72

    MTEB

    Публичная таблицаревизия совпадает

  • CREMA_DClustering

    main_score

    Результат

    0,1415

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

HeAR-s1.1 — компактная аудио-модель Google Health Acoustic Representations, представленная в виде дистиллированного студенческого чекпойнта на базе ViT-S и слоёв Canon. Модель принимает двухсекундные аудиофрагменты с частотой 16 кГц, преобразованные во входные мел+PCEN спектрограммы, и выдаёт вектор признаков размерности 384. В метаданных указано 28,3 млн параметров; README отдельно приводит 22 140 288 параметров студенческой модели.

Чекпойнт содержит только студенческую голову MAEB и подходит для извлечения акустических представлений и последующей оценки или анализа аудиоданных. В бенчмарке MAEB(beta, audio-only) среднее значение составило 0,42442 при окне и шаге 2 секунды с усреднением по окнам. Для работы используются PyTorch и Transformers с пользовательской реализацией архитектуры. Лицензия помечена как other, конкретные условия в доступных данных не раскрыты.

Сценарии применения

  • извлечение акустических эмбеддингов из коротких аудиофрагментов
  • подготовка признаков для классификации аудиособытий
  • сравнение аудиофрагментов по акустическому сходству

Ограничения

Модель рассчитана на двухсекундные клипы с частотой 16 кГц и требует формирования mel+PCEN спектрограмм; переносимость на другие длительности и типы входа в карточке не описана. Лицензия указана как other, поэтому условия использования следует уточнить по репозиторию.

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

HeAR-s1.1 model card

Model documentation: HeAR (Google Health Acoustic Representations)

Model information

This package contains a distilled HeAR student model implemented in PyTorch with a ViT-S backbone and Canon layers.

Description

This export is the HeAR-s1.1 follow-on package to the original HeAR-s upload. It uses the student head only from the MAEB evaluation checkpoint and keeps the same custom Transformers packaging style as the prior release.

  • Backbone: ViT-S (vit_small_patch16_224)
  • Input: single-channel mel+PCEN spectrograms ([B, 1, 192, 128]) generated from 2-second audio clips at 16 kHz
  • Canon setup: A/B/C/D enabled, 2D Canon, kernel size 4, positional encodings disabled
  • Output embedding: pooler_output with shape [B, 384]
  • Exported weights: student head only, no projection layer

MAEB(beta, audio-only) evaluation

This checkpoint was evaluated on MAEB(beta, audio-only) with:

  • embedding head: student
  • window size: 2.0s
  • window hop: 2.0s
  • pooling over windows: mean
  • benchmark mean: 0.42442

Suggested Hub repo id: matthewagi/HeAR-s1.1

Files in this package

  • config.json: model config and auto_map
  • configuration_hear_canon.py: custom PretrainedConfig
  • modeling_hear_canon.py: custom PreTrainedModel with integrated audio preprocessing
  • model.safetensors: distilled student weights
  • preprocessor_config.json: preprocessing metadata
  • model_shapes.json: structure and tensor shape inventory
  • training_args.json: training/checkpoint args captured from the source checkpoint
  • maeb_summary.json: saved MAEB task summary for this checkpoint
  • maeb_run_config.json: saved MAEB inference settings for that benchmark run
  • .gitattributes: git/LFS attributes for model artifacts
  • smoke_test.py: local verification script

How to use

Install dependencies:

pip install -U "transformers>=4.50.0" timm torch scipy soundfile

Run local smoke test:

python3 trained_model_hf_upload_maeb/smoke_test.py

Inference from raw audio waveform

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained(
    "trained_model_hf_upload_maeb",
    trust_remote_code=True,
)
model.eval()

# 4 clips, each 2 seconds at 16 kHz => 32000 samples
raw_audio_batch = torch.rand((4, 32000), dtype=torch.float32)

with torch.inference_mode():
    out = model(input_values=raw_audio_batch, return_dict=True)

embeddings = out.pooler_output
print(embeddings.shape)  # torch.Size([4, 384])

Inference from .wav file

import torch
import soundfile as sf
from scipy import signal
from transformers import AutoModel


def load_wav_mono_16k(path: str, target_sr: int = 16000) -> torch.Tensor:
    audio, sr = sf.read(path, dtype="float32", always_2d=False)
    if audio.ndim == 2:
        audio = audio.mean(axis=1)
    if sr != target_sr:
        new_len = int(round(audio.shape[0] * (target_sr / sr)))
        audio = signal.resample(audio, new_len)
    return torch.from_numpy(audio).float()


model = AutoModel.from_pretrained("trained_model_hf_upload_maeb", trust_remote_code=True)
model.eval()

waveform = load_wav_mono_16k("example.wav")

with torch.inference_mode():
    embedding = model.embed_audio(waveform)

print(embedding.shape)  # torch.Size([1, 384])

Inference from preprocessed spectrograms

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("trained_model_hf_upload_maeb", trust_remote_code=True)
model.eval()

raw_audio = torch.rand((2, 32000), dtype=torch.float32)
spectrogram = model.preprocess_audio(raw_audio)

with torch.inference_mode():
    out = model(pixel_values=spectrogram, return_dict=True)

print(spectrogram.shape)        # torch.Size([2, 1, 192, 128])
print(out.pooler_output.shape)  # torch.Size([2, 384])

Model architecture overview

  • Student model parameters: 22,140,288
  • Embedding dimension: 384
  • Input shape: [B, 1, 192, 128]
  • Output shape: [B, 384]

Detailed tensor shapes are provided in model_shapes.json.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
HearCanonViTModel
Ревизия весов
a5776be

0 моделей