/ Модель

Характеристики

Лицензия
MIT
Архитектура
eat · dense
Базовая модель
EAT-base_epoch30_pretrain
Библиотека
transformers
Опубликована
3 мая 2025

EAT-base_epoch30_finetune_AS2M

ЭмбеддингиТекст → embedding3 профессии

Дообученная на AS-2M аудиомодель EAT-base извлекает покадровые и общие представления звуков для последующей классификации и описания аудио.

4 638скачиваний за 30 дней4лайкавеса обновлены6 мая 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

EAT-base Epoch 30 Fine-tuned Checkpoint — аудиомодель семейства Efficient Audio Transformer (EAT), дообученная разработчиками репозитория worstchan на датасете AS-2M поверх worstchan/EAT-base_epoch30_pretrain. Она предназначена для извлечения акустических представлений, которые можно использовать в последующих задачах понимания аудио, включая классификацию звуков и создание описаний аудиозаписей. Модель выдаёт покадровые представления с частотой около 50 Гц и представление всего высказывания на основе CLS-токена.

Репозиторий предоставляет веса в формате Safetensors для загрузки через Transformers. Лицензия — MIT. Карточка заявляет улучшение качества аудиопредставлений относительно исходного чекпойнта при решении последующих задач, но не приводит количественных результатов или подробной оценки ограничений.

Сценарии применения

  • извлечение признаков из аудиозаписей
  • подготовка представлений для классификации звуков
  • создание признаков для систем описания аудио
  • получение покадровых акустических представлений с частотой около 50 Гц
  • получение общего представления аудиофрагмента через CLS-токен

Ограничения

Карточка не приводит количественных оценок качества или результатов сравнительных тестов. Модель извлекает представления; для классификации или генерации описаний требуется downstream-модель или дополнительный этап обработки.

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

EAT-base (Epoch 30, Fine-tuned Checkpoint)

This is the fine-tuned version of the EAT-base (Epoch 30, Pre-trained Checkpoint), further trained on the AS-2M dataset. Compared to the pre-trained model, this version provides enhanced audio representations and typically yields better performance in downstream audio understanding tasks such as classification and captioning.

For more details on the EAT framework, please refer to the GitHub repository and our paper EAT: Self-Supervised Pre-Training with Efficient Audio Transformer.

🔧 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 = "worstchan/EAT-base_epoch30_finetune_AS2M"
model = AutoModel.from_pretrained(model_id, trust_remote_code=True).eval().cuda()

source_file = "/path/to/input.wav"
target_file = "/path/to/output.npy"
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()
np.save(target_file, feat)
print(f"Feature shape: {feat.shape}")
print(f"Saved to: {target_file}")

📌 Notes

The model supports both frame-level (~50Hz) and utterance-level (CLS token) representations. See the feature extraction guide for detailed instructions.

📚 Citation

If you find this model useful, please consider citing our paper:

@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
60d61e8

0 моделей