/ Модель

Характеристики

Лицензия
MIT
Архитектура
eat · dense
Базовая модель
EAT-large_epoch20_pretrain
Библиотека
transformers
Опубликована
3 мая 2025

EAT-large_epoch20_finetune_AS2M

ЭмбеддингиТекст → embedding3 профессии

Дообученный на AS-2M EAT-large извлекает кадровые и общие представления аудио для классификации и других задач анализа звука.

547скачиваний за 30 дней3лайкавеса 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

Это дообученный чекпойнт EAT-large, опубликованный пользователем worstchan и дополнительно обученный на наборе AS-2M. Модель на базе архитектуры Efficient Audio Transformer предназначена для извлечения представлений аудио, которые можно использовать в последующих задачах понимания звука, включая классификацию и создание аудиоописаний.

Модель выдаёт кадровые представления с частотой около 50 Гц и представление всего аудиофрагмента через CLS-токен. Она распространяется в формате safetensors и загружается через Transformers. Лицензия — MIT. Карточка не сообщает размер модели и ограничений по длительности входного аудио.

Сценарии применения

  • извлечение признаков для классификации аудиозаписей
  • получение представления аудиофрагмента для последующего анализа
  • извлечение кадровых признаков аудио с частотой около 50 Гц
  • подготовка аудиопризнаков для системы создания аудиоописаний

Ограничения

Модель извлекает представления, а не готовые классы или текстовые описания; для классификации и генерации аудиоописаний нужны подходящие последующие компоненты. В карточке не приведены оценки качества на конкретных тестах.

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 20, Fine-tuned Checkpoint)

This is the fine-tuned version of the EAT-large (Epoch 20, 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-large_epoch20_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
53b1251

0 моделей