/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
ced · dense
Опубликована
1 ноя 2023

ced-mini

Классификация аудиоАудио → label3 профессии

Компактный аудиотрансформер CED-Mini для классификации и тегирования звуковых событий.

3 390скачиваний за 30 дней4лайкавеса обновлены30 мар 2026

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

CED-Mini — компактная модель семейства CED, разработанная авторами работы «CED: Consistent ensemble distillation for audio tagging». Это аудиотрансформер на основе Vision Transformer, предназначенный для присвоения звуковым фрагментам меток аудиособытий. В репозитории представлены веса в форматах Safetensors и ONNX; размер модели — около 9,6 млн параметров.

Модель обучалась на AudioSet и ориентирована на классификацию и тегирование звуков. В README отмечены поддержка аудио переменной длительности и ускоренный вывод за счёт 64-мерных mel-фильтров и патчей 16×16 без перекрытия. Для CED-Mini приведены результаты mAP 38,5 на AS-20K и 49,0 на AS-2M. Энкодер также можно использовать как основу для обучения классификатора на специализированных аудиодатасетах.

Модель принимает аудио и выдаёт классы или оценки аудиособытий. Её назначение не связано с генерацией речи или транскрипцией. Распознавание зависит от набора классов обучения и может требовать дообучения для специализированных категорий. Лицензия — Apache-2.0.

Сценарии применения

  • классификация аудиособытий в звуковых записях
  • тегирование аудиофрагментов по типам звуков
  • анализ звуковых данных на основе AudioSet
  • использование аудиоэнкодера для обучения классификатора на ESC-50

Ограничения

Модель классифицирует звуки в рамках выученных категорий и сама по себе не предназначена для транскрипции или генерации аудио. Для специализированных наборов классов может потребоваться дообучение.

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

CED-Mini Model

CED are simple ViT-Transformer-based models for audio tagging, achieving sota performance on Audioset.

ModelParameters (M)AS-20K (mAP)AS-2M (mAP)
CED-Tiny5.536.548.1
CED-Mini9.638.549.0
CED-Small2241.649.6
CED-Base8644.050.0

Notable differences from other available models include:

  1. Simplification for finetuning: Batchnormalization of Mel-Spectrograms. During finetuning one does not need to first compute mean/variance over the dataset, which is common for AST.
  2. Support for variable length inputs. Most other models use a static time-frequency position embedding, which hinders the model's generalization to segments shorter than 10s. Many previous transformers simply pad their input to 10s in order to avoid the performance impact, which in turn slows down training/inference drastically.
  3. Training/Inference speedup: 64-dimensional mel-filterbanks and 16x16 patches without overlap, leading to 248 patches from a 10s spectrogram. In comparison, AST uses 128 mel-filterbanks with 16x16 (10x10 overlap) convolution, leading to 1212 patches during training/inference. CED-Tiny runs on a common CPU as fast as a comparable MobileNetV3.
  4. Performance: CED with 10M parameters outperforms the majority of previous approaches (~80M).

Model Sources

Inference

>>> from transformers import AutoModelForAudioClassification, AutoFeatureExtractor

>>> model_name = "mispeech/ced-mini"
>>> feature_extractor = AutoFeatureExtractor.from_pretrained(model_name, trust_remote_code=True)
>>> model = AutoModelForAudioClassification.from_pretrained(model_name, trust_remote_code=True)

>>> import torchaudio
>>> audio, sampling_rate = torchaudio.load("/path-to/JeD5V5aaaoI_931_932.wav")
>>> assert sampling_rate == 16000
>>> inputs = feature_extractor(audio, sampling_rate=sampling_rate, return_tensors="pt")

>>> import torch
>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = torch.argmax(logits, dim=-1).item()
>>> model.config.id2label[predicted_class_id]
'Finger snapping'

Inference (Onnx)

>>> from optimum.onnxruntime import ORTModelForAudioClassification

>>> model_name = "mispeech/ced-mini"
>>> model = ORTModelForAudioClassification.from_pretrained(model_name, trust_remote_code=True)

>>> import torchaudio
>>> audio, sampling_rate = torchaudio.load("/path-to/JeD5V5aaaoI_931_932.wav")
>>> assert sampling_rate == 16000
>>> input_name = model.session.get_inputs()[0].name
>>> output = model(**{input_name: torch.randn(1, 16000)})
>>> logits = output.logits.squeeze()
>>> for idx in logits.argsort()[-2:][::-1]:
>>>   print(f"{model.config.id2label[idx]}: {logits[idx]:.4f}")
'Finger snapping: 0.9155'
'Slap: 0.0567'

Fine-tuning

example_finetune_esc50.ipynb demonstrates how to train a linear head on the ESC-50 dataset with the CED encoder frozen.

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
CedForAudioClassification
Ревизия весов
26c3ebc

0 моделей