/ Модель

Характеристики

Лицензия
MIT
Архитектура
eat · dense
Библиотека
transformers
Опубликована
29 сен 2025

SSLAM_pretrain

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученная SSLAM-модель на архитектуре EAT извлекает представления монофонических и полифонических аудиосцен для последующего анализа.

2 530скачиваний за 30 дней1лайквеса обновлены4 окт 2025

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

SSLAM Pretrain — предварительно обученная модель извлечения аудиопризнаков, выпущенная в рамках работы SSLAM, представленной на ICLR 2025. Чекпойнт ViT Base обучен 15 эпох и использует архитектуру EAT в реализации для Hugging Face Transformers.

Модель предназначена для получения представлений аудио, в том числе полифонических сцен с несколькими одновременно звучащими источниками. Её можно использовать как основу для аудио-LLM, обнаружения звуковых событий и общего анализа аудио. Обучение на аудиосмесях и функция потерь source retention ориентированы на сохранение информации об отдельных источниках в смешанных звуковых сценах.

Весовые файлы представлены в формате safetensors. Лицензия — MIT. Число параметров и длина контекста в предоставленных данных не указаны.

Сценарии применения

  • извлечение признаков из аудиозаписей
  • подготовка аудиопредставлений для аудио-LLM
  • представление полифонических звуковых сцен
  • подготовка признаков для обнаружения звуковых событий
  • изучение аудиорепрезентаций в задачах самообучения

Ограничения

Чекпойнт описан как предварительно обученный экстрактор представлений; для обнаружения звуковых событий и других прикладных задач может потребоваться дополнительная модель или дообучение. В README не приведены количественные результаты и конкретные сведения о производительности.

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

🔊 [ICLR 2025] SSLAM: Enhancing Self-Supervised Models with Audio Mixtures for Polyphonic Soundscapes

Conference Paper

🚀 SSLAM is a self-supervised learning framework designed to enhance audio representation quality for both polyphonic(multiple overlapping sounds) and monophonic soundscapes. Unlike traditional SSL models that focus on monophonic data, SSLAM introduces a novel source retention loss and audio mixture training, significantly improving performance on real-world polyphonic audio.

🔗 Paper | ICLR 2025 Poster: Video & Slides | Open Review | 🤗 Models

SSLAM Pretrain (ViT Base, 15 epochs)

This repository provides an SSLAM checkpoint formatted for use with Hugging Face Transformers. It is intended for feature extraction in audio LLMs, sound event detection, and general purpose audio representation learning. The implementation follows the EAT code path while swapping in SSLAM pretrained weights.

🔧 Usage

You can load and use the model for feature extraction directly via Hugging Face Transformers:

import torchaudio
import torch
import soundfile as sf
import numpy as np
from transformers import AutoModel

model_id = "ta012/SSLAM_pretrain"
model = AutoModel.from_pretrained(model_id, trust_remote_code=True).eval().cuda()

source_file = "/path/to/input.wav"
target_length = 1024    # Recommended: 1024 for 10s audio
norm_mean = -4.268
norm_std = 4.569

# Load and resample audio
wav, sr = sf.read(source_file)
waveform = torch.tensor(wav).float().cuda()
if sr != 16000:
    waveform = torchaudio.functional.resample(waveform, sr, 16000)

# Normalize and convert to mel-spectrogram
waveform = waveform - waveform.mean()
mel = torchaudio.compliance.kaldi.fbank(
    waveform.unsqueeze(0),
    htk_compat=True,
    sample_frequency=16000,
    use_energy=False,
    window_type='hanning',
    num_mel_bins=128,
    dither=0.0,
    frame_shift=10
).unsqueeze(0)

# Pad or truncate
n_frames = mel.shape[1]
if n_frames < target_length:
    mel = torch.nn.ZeroPad2d((0, 0, 0, target_length - n_frames))(mel)
else:
    mel = mel[:, :target_length, :]

# Normalize
mel = (mel - norm_mean) / (norm_std * 2)
mel = mel.unsqueeze(0).cuda()  # shape: [1, 1, T, F]

# Extract features
with torch.no_grad():
    feat = model.extract_features(mel)

feat = feat.squeeze(0).cpu().numpy()
print(f"Feature shape: {feat.shape}")

📌 Notes

See the feature extraction guide for more instructions.

🙌 Acknowledgments

This repository builds on the EAT implementation for Hugging Face models. We remap SSLAM weights to that interface. We are not affiliated with the EAT authors. All credit for the original implementation belongs to them.

📚 Citation

If you find our work useful, please cite it as:

@inproceedings{alex2025sslam,
  title={{SSLAM}: Enhancing Self-Supervised Models with Audio Mixtures for Polyphonic Soundscapes},
  author={Tony Alex and Sara Atito and Armin Mustafa and Muhammad Awais and Philip J B Jackson},
  booktitle={The Thirteenth International Conference on Learning Representations},
  year={2025},
  url={https://openreview.net/forum?id=odU59TxdiB}
}

Please also cite EAT:

@article{chen2024eat,
  title={EAT: Self-supervised pre-training with efficient audio transformer},
  author={Chen, Wenxi and Liang, Yuzhe and Ma, Ziyang and Zheng, Zhisheng and Chen, Xie},
  journal={arXiv preprint arXiv:2401.03497},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
EATModel
Ревизия весов
af71a4b

0 моделей