/ Модель

Характеристики

Лицензия
MIT
Архитектура
eat · dense
Библиотека
transformers
Опубликована
3 мая 2025

EAT-large_epoch20_pretrain

ЭмбеддингиТекст → embedding3 профессии

Предварительно обученный EAT-large извлекает кадровые и сквозные представления аудио для последующего анализа и дообучения.

782скачиваний за 30 дней1лайквеса 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-large Epoch 20 — предварительно обученный аудиотрансформер, опубликованный пользователем worstchan. Модель обучена на наборе AS-2M с помощью метода самоконтролируемого обучения EAT и предназначена для извлечения признаков из аудио, а также для использования в качестве начальной точки при дообучении на задачах понимания аудио, включая классификацию и создание подписей к аудио.

Модель формирует представления на уровне кадров с частотой около 50 Гц и представление всего высказывания через CLS-токен. Для загрузки и извлечения признаков используется библиотека Transformers; веса доступны в формате safetensors. Лицензия — MIT.

Чекпойнт может быть полезен как основа для последующих аудиозадач, однако сам по себе ориентирован на получение признаков, а не на генерацию речи или текстовых ответов. README не описывает ограничения качества или конкретный перечень поддерживаемых языков.

Сценарии применения

  • извлечение признаков из аудиозаписей
  • получение представлений аудио на уровне кадров
  • получение векторного представления целого аудиовысказывания
  • подготовка признаков для классификации аудио
  • инициализация модели для создания подписей к аудио

Ограничения

Модель предназначена для извлечения признаков и требует дополнительной модели или дообучения для решения прикладных задач классификации и создания подписей. В карточке не приведены сведения о поддерживаемых языках аудиоконтента.

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-large (Epoch 20, Pre-trained Checkpoint)

This is the pre-trained EAT-large model at epoch 20, trained on the AS-2M dataset using the EAT framework for audio self-supervised learning. It offers efficient feature extraction and can also serve as a strong initialization for fine-tuning on a wide range of 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_pretrain"
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 more 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
1109aaa

0 моделей