/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
dasheng · dense
Опубликована
6 июн 2024

dasheng-1.2B

Классификация аудиоАудио → label4 профессии

Универсальный аудиоэнкодер на 1,2 млрд параметров для извлечения признаков и классификации речи, музыки и окружающих звуков.

202скачиваний 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-1.2B — универсальный аудиоэнкодер семейства Dasheng, обученный методом самообучения на 272 356 часах разнообразного аудио. Модель содержит 1,2 млрд параметров и предназначена для извлечения представлений звука, которые можно использовать в задачах классификации речи, музыки и окружающих звуков.

Энкодер показал улучшенные результаты на бенчмарке HEAR и сильные результаты на CREMA-D, LibriCount, Speech Commands и VoxLingua, а также хорошо справляется с классификацией музыки и звуков среды. README демонстрирует настройку линейной классификационной головы на ESC-50 при замороженном энкодере.

Модель принимает аудио и предназначена для получения признаков, пригодных для последующей классификации; поддерживаемая в каталоге задача — audio-classification. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • классификация звуков окружающей среды
  • классификация музыкальных аудиозаписей
  • распознавание команд речи
  • анализ эмоций в речи
  • определение языка или разновидности речи
  • извлечение аудиопризнаков для обучения классификатора

Ограничения

Для прикладной классификации README показывает использование замороженного энкодера с отдельно обучаемой линейной головой; готовые классы и предсказания зависят от такой головы. Число параметров велико — 1,2 млрд, что может повышать требования к вычислительным ресурсам.

Для каких профессий подходит4

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/XiaoMi/dasheng

dasheng

Usage

Inference

>>> model_name = "mispeech/dasheng-1.2B"

>>> 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, 1536])   # 25 T-F patches (patch size 64x4, no overlap), before mean-pooling

>>> outputs.logits.shape
torch.Size([1, 1536])   # 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
e830b3b

0 моделей