/ Модель

Характеристики

Параметры
404 млн
Лицензия
MIT
Архитектура
wav2vec2-bert · dense
Базовая модель
w2v-bert-2.0-music
Библиотека
transformers
Опубликована
23 сен 2026

w2v-bert-2.0-music-lyrics-ctc

Распознавание речиАудио → текст3 профессии

Мультиязычная CTC-модель для распознавания песенных текстов, выравнивания слов и слогов с аудио и анализа вокала в музыкальных миксах.

340скачиваний за 30 дней0лайковвеса обновлены23 сен 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

mrfakename/w2v-bert-2.0-music-lyrics-ctc — мультиязычная модель распознавания текста песен, разработанная автором репозитория и дообученная на базе mrfakename/w2v-bert-2.0-music. Это CTC-модель с архитектурой Wav2Vec2-BERT и примерно 403,6 млн параметров; она принимает аудио полных музыкальных миксов, включая вокал вместе с инструментальным сопровождением, без предварительного разделения источников.

Модель предназначена для транскрибации песенных текстов и принудительного выравнивания известных слов с аудио, включая оценку начал слов и слогов. Вспомогательные головы также выдают покадровую активность вокала и оценки высоты тона и наличия голоса. Словарь из 921 токена охватывает латиницу, кириллицу, греческое, арабское и еврейское письмо, тайский, японскую кану и кандзи, а также корейский хангыль.

При оценке на отложенных песнях символьная ошибка составила 12,8% для фрагментов, выровненных по строкам, и 13,3% для произвольных окон; декодирование выполнялось без языковой модели. Обучение проводилось на окнах длительностью до 30 секунд, поэтому длинные записи следует обрабатывать перекрывающимися окнами. Концы слов при выравнивании ненадёжны, а для точности границ около 20 мс нужна отдельная модель. Модель распространяется по лицензии MIT.

Сценарии применения

  • транскрибация текста песни из полного музыкального микса
  • выравнивание известных слов песни с аудио по времени
  • оценка начала слов и слогов в вокальной записи
  • определение участков с вокалом в музыкальном аудио
  • оценка высоты тона и озвученности вокала

Ограничения

Обучение рассчитано на аудиоокна до 30 секунд, поэтому длинные записи нужно обрабатывать перекрывающимися фрагментами. Концы слов при принудительном выравнивании ненадёжны, а приведённая оценка CER получена без языковой модели на наборе песен с несовершенными эталонными текстами.

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

w2v-bert-2.0-music-lyrics-ctc

A character-level CTC lyrics model for full music mixes, i.e. vocals with the band, no source separation. It's fine-tuned from w2v-bert-2.0-music, with the encoder unfrozen. It is multilingual: the 921-token vocabulary covers Latin, Cyrillic, Greek, Arabic, Hebrew, Thai, kana/kanji and Hangul (decomposed into jamo).

Uses:

  • Lyrics transcription (greedy CTC decoding).
  • Forced alignment of known lyrics to audio (CTC Viterbi), which gives word and syllable onsets.
  • Frame-level vocal activity and vocal F0/voicing from the auxiliary heads.
import torch
from transformers import Wav2Vec2BertForCTC, Wav2Vec2BertProcessor

processor = Wav2Vec2BertProcessor.from_pretrained("mrfakename/w2v-bert-2.0-music-lyrics-ctc")
model = Wav2Vec2BertForCTC.from_pretrained("mrfakename/w2v-bert-2.0-music-lyrics-ctc").eval()

# 16 kHz mono; up to ~30 s per call (see "Long audio" below)
inputs = processor(audio_16khz_mono, sampling_rate=16000, return_tensors="pt")
with torch.no_grad():
    logits = model(**inputs).logits              # (1, frames at 50 Hz, 921)
text = processor.batch_decode(logits.argmax(-1))[0]

Output format

  • Lowercase, NFKC-normalised text with punctuation removed. Apostrophes are kept inside words.
  • Hangul comes out as conjoining jamo. Use unicodedata.normalize("NFC", text) to recompose syllables.
  • Token 0 is the CTC blank, and | is the word delimiter / filler.
  • The filler also absorbs vocals that aren't lyrics (ad-libs, humming). For alignment, put | between words and at both ends of the target sequence.
  • Section and performance tags ([Chorus], (backing vocals)) are not transcribed.

Long audio

The model was trained on windows of up to 30 s. For longer audio, run overlapping windows (e.g. 30 s with 2 s of context on each side), keep the centre of each window, and concatenate the logits before decoding or aligning.

Auxiliary heads

aux_heads.safetensors holds two linear heads that operate on the final hidden states (output_hidden_states=True, last layer):

  • vad.{weight,bias}: 1 logit per frame, vocal activity.
  • f0.{weight,bias}: 361 outputs per frame. Index 0 is the voicing logit; indices 1..360 are vocal pitch bins of 20 cents each (bin b → 10 * 2 ** ((20 * b + 1997.38) / 1200) Hz, ≈32 Hz–2 kHz).

Training

Fine-tuned from w2v-bert-2.0-music with weak supervision from whole-song lyrics:

  1. Full-song CTC bootstrap.
  2. Forced alignment and line-based chunking; the worst-aligned 15% of chunks are dropped.
  3. CTC on ≤ 30 s chunks, plus random windows cut anywhere in a song, so the model doesn't rely on inputs starting at a line boundary.

The vocal-activity and F0/voicing heads were trained jointly as auxiliary losses (weight 0.1 each).

Evaluation

Held-out songs, greedy decoding, no language model:

CER
Line-aligned chunks12.8%
Arbitrary windows (not cut at line boundaries)13.3%

The reference lyrics are imperfect: the model often recovers words the references miss, so the true error is somewhat lower.

Forced-alignment timing: a word/syllable onset evaluation will be added here.

  • CTC emissions are peaky, so onsets from forced alignment are usable, but word offsets (ends) are not reliable.
  • For boundaries within about 20 ms, a dedicated boundary model is needed on top of this encoder.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2BertForCTC
Ревизия весов
1be9145

0 моделей