/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Опубликована
17 апр 2026

VocalParse

Распознавание речиАудио → текст3 профессии

VocalParse-1.7B транскрибирует пение и формирует структурированный вывод с текстом, высотой нот, значениями нот и темпом.

217скачиваний за 30 дней7лайковвеса обновлены18 июн 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

VocalParse-1.7B — модель для транскрибации вокала, разработанная pymaster и дообученная на базе Qwen3-ASR-1.7B. Она принимает аудио с пением и генерирует последовательность токенов, объединяющую текст песни, высоту нот, их длительности в условных значениях и общий темп в BPM. Архитектура сочетает аудиоэнкодер Whisper с декодером Qwen; веса опубликованы в формате safetensors.

Модель предназначена для автоматической транскрибации пения и получения структурированного представления мелодии, например для анализа исполнения или подготовки нотной разметки. В режиме CoT сначала выводится текст песни, затем совмещённая последовательность текста и музыкальных признаков. Основной язык обучения — китайский; модель унаследована от многоязычной Qwen3-ASR.

Модель преимущественно обучена на китайском пении, не предсказывает физическую длительность звучания нот, а аудио длиннее 30 секунд рекомендуется заранее разбивать на фрагменты. Лицензия — Apache-2.0.

Сценарии применения

  • транскрибация китайских песен
  • извлечение текста из вокального аудио
  • определение высоты нот в исполнении
  • оценка темпа песни в BPM
  • создание структурированной разметки вокальной мелодии

Ограничения

Преимущественно обучена на китайском пении и не предсказывает физическую длительность нот. Аудио длиннее 30 секунд рекомендуется предварительно разбивать на фрагменты.

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

VocalParse-1.7B

VocalParse is a unified singing voice transcription (SVT) model built upon a Large Audio Language Model (LALM). Fine-tuned from Qwen3-ASR-1.7B, it transcribes singing audio into a structured autoregressive token sequence that jointly encodes lyrics, pitch, note values, and global tempo (BPM).

Singing Audio (16kHz) → Whisper Encoder → Qwen LLM Decoder → AST Token Sequence

感 <P_68> <NOTE_4> 受 <P_60> <NOTE_8> 到 <P_65> <NOTE_8> ... <BPM_89>

Usage

Installation

It is recommended to use uv for setup:

uv venv --python 3.10
source .venv/bin/activate
uv pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124
uv pip install git+https://github.com/pymaster17/VocalParse.git

Quick Inference

from vocalparse import transcribe_one

text = transcribe_one(
    audio="path/to/song.wav",
    checkpoint="pymaster/VocalParse",
)
print(text)
# Example output: 感 <P_68> <NOTE_4> 受 <P_60> <NOTE_8> ... <BPM_89>

Model Details

PropertyValue
Base modelQwen3-ASR-1.7B (Whisper encoder + Qwen LLM decoder)
Fine-tuning taskAutomatic Singing Transcription (AST)
Training modeCoT (asr_cot=true, bpm_position=last)
New vocabulary tokens~400 AST tokens (pitch, note value, BPM)
InputMono 16 kHz singing audio
OutputInterleaved lyric + pitch + note sequence with global BPM

AST Token Vocabulary Extension

The base Qwen3-ASR vocabulary is extended with:

  • Pitch: 128 tokens (<P_0> – <P_127>) representing MIDI notes.
  • Note value: 12 tokens (e.g., <NOTE_4>, <NOTE_8>, <NOTE_DOT_8>).
  • Tempo: 256 tokens (<BPM_0> – <BPM_255>).

Output Format

  • Standard interleaved format (bpm_position=last): 感 <P_68> <NOTE_4> 受 <P_60> <NOTE_8> 到 <P_65> <NOTE_8> ... <BPM_89>

  • CoT format produced during generation (asr_cot=true): the model first outputs plain lyrics, then the full interleaved score, separated by <|file_sep|>: 感受到<|file_sep|>感 <P_68> <NOTE_4> 受 <P_60> <NOTE_8> 到 <P_65> <NOTE_8> ... <BPM_89>

Evaluation Metrics

Metrics are computed with two-stage Needleman-Wunsch alignment: word-level alignment for lyrics, then pair-level alignment inside each matched word for pitch and note.

  • CER: Character error rate on lyrics (silence tokens excluded).
  • Pitch MAE: Mean absolute pitch error in MIDI semitones.
  • Note MAE: Mean absolute error in log₂ note-value space.
  • BPM MAE: Mean absolute tempo error.

Limitations

  • Primarily trained on Mandarin Chinese singing.
  • Physical note durations are not predicted by this checkpoint.
  • Long audio segments (> 30s) should be pre-segmented before inference.

Citation

@article{vocalparse2026,
  title   = {VocalParse: Towards Unified and Scalable Singing Voice Transcription with Large Audio Language Models},
  author  = {Yukun Chen and Tianrui Wang and Zhaoxi Mu and Xinyu Yang and EngSiong Chng},
  journal = {arXiv preprint arXiv:2605.04613},
  year    = {2026},
  url     = {http://arxiv.org/abs/2605.04613}
}

License

This model is licensed under Apache 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
4c617b1

0 моделей