/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
dasheng · dense
Опубликована
6 июн 2024

dasheng-0.6B

Классификация аудиоАудио → label3 профессии

Универсальный аудиоэнкодер Dasheng для извлечения признаков и классификации речи, музыки и окружающих звуков.

730скачиваний за 30 дней5лайковвеса обновлены19 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

Dasheng-0.6B — универсальный аудиоэнкодер семейства Dasheng, разработанный авторами проекта Dasheng. Это модель самоконтролируемого обучения, предназначенная для извлечения представлений из аудио речи, музыки и окружающих звуков. В README указано обучение на 272 356 часах разнообразных аудиоданных; модель показывает высокие результаты на бенчмарке HEAR и задачах классификации речи и звуков. Для прикладной классификации аудио энкодер можно использовать с обучаемой линейной головой, как показано на примере ESC-50.

Репозиторий содержит веса в формате safetensors, а метаданные относят архитектуру к Dasheng и указывают задачу audio-classification. Модель распространяется по лицензии Apache-2.0. Она предназначена для анализа аудиосигнала и выдачи представлений или классов; сведений о поддержке транскрипции или генерации аудио нет.

Сценарии применения

  • классификация бытовых и природных звуков
  • распознавание команд и категорий речи
  • классификация эмоциональной окраски речи
  • определение языка речи по аудио
  • извлечение аудиопризнаков для последующей классификации

Ограничения

README не описывает прямые функции транскрипции или генерации аудио; для прикладной классификации может потребоваться обученная классификационная голова.

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

Dasheng: a large scale general-purpose audio encoder

Dasheng (Deep Audio-Signal Holistic Embeddings), or “大声” ("great sound"), is a general-purpose audio encoder trained on a large-scale self-supervised learning task. Dasheng is designed to capture rich audio information across various domains, including speech, music, and environmental sounds. The model is trained on 272,356 hours of diverse audio data with 1.2 billion parameters, and exhibits significant performance gains on the HEAR benchmark. Dasheng outperforms previous works on CREMA-D, LibriCount, Speech Commands, VoxLingua, and competes well in music and environmental sound classification tasks.

Original Repository: https://github.com/RicherMans/Dasheng

dasheng

Usage

Inference

>>> model_name = "mispeech/dasheng-0.6B"

>>> from transformers import AutoModel, AutoFeatureExtractor

>>> feature_extractor = AutoFeatureExtractor.from_pretrained(model_name, trust_remote_code=True)
>>> model = AutoModel.from_pretrained(model_name, outputdim=None, trust_remote_code=True)

>>> import torch
>>> inputs = feature_extractor(torch.randn(1, 16000), sampling_rate=sampling_rate, return_tensors="pt")
>>> inputs.input_values.shape
torch.Size([1, 64, 101])   # 64 mel-filterbanks, 101 frames

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

>>> outputs.hidden_states.shape
torch.Size([1, 25, 1280])   # 25 T-F patches (patch size 64x4, no overlap), before mean-pooling

>>> outputs.logits.shape
torch.Size([1, 1280])   # mean-pooled embedding (would be logits from a linear layer if `outputdim` was set)

Fine-tuning

Open In Colab

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

Citation

If you find Dasheng useful in your research, please consider citing the following paper:

@inproceedings{dinkel2023scaling,
  title={Scaling up masked audio encoder learning for general audio classification},
  author={Dinkel, Heinrich and Yan, Zhiyong and Wang, Yongqing and Zhang, Junbo and Wang, Yujun and Wang, Bin},
  booktitle={Interspeech 2024},
  year={2024}
}

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
DashengModel
Ревизия весов
9ea8bcc

0 моделей