/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
ced · dense
Опубликована
24 ноя 2023

ced-tiny

Классификация аудиоАудио → label3 профессии

Компактный ViT-трансформер для классификации звуковых событий и тегирования аудио.

2 604скачиваний за 30 дней5лайковвеса 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-Tiny — компактная модель на основе ViT-трансформера для классификации и тегирования аудио. Модель содержит 5,5 млн параметров и обучалась для задач на AudioSet; в карточке приведены результаты на AS-20K и AS-2M. Репозиторий включает веса в форматах Safetensors и ONNX, лицензия — Apache-2.0.

Модель принимает аудио и предсказывает звуковые классы. Она поддерживает входные сегменты переменной длины, использует 64-мерные mel-фильтры и патчи 16×16 без перекрытия. Авторы отмечают, что такая схема ускоряет обучение и инференс: CED-Tiny на обычном CPU работает примерно со скоростью сопоставимой MobileNetV3. Энкодер можно применять как основу для дообучения, например, с линейной головой на ESC-50.

CED-Tiny предназначена для распознавания и разметки звуковых событий, а не для транскрибации речи или генерации аудио. README сообщает о высокой точности на AudioSet, но не приводит здесь подробностей о метриках для прикладных данных; для целевых наборов классов может понадобиться дообучение.

Сценарии применения

  • классификация звуковых событий в аудиозаписях
  • тегирование аудио по классам AudioSet
  • распознавание звуков окружающей среды
  • извлечение аудиоэмбеддингов для последующего классификатора
  • дообучение классификатора звуков на ESC-50

Ограничения

Модель классифицирует звуки, но не предназначена для распознавания речи в текст или генерации аудио. Для классов и условий, отличающихся от AudioSet, может потребоваться дообучение; метрики в README относятся к наборам AudioSet.

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-Tiny 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-tiny"
>>> 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-tiny"
>>> 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
ace276d

0 моделей