大规模音乐音频分类及特征提取的模型解决方案
通过对比语言音频预训练技术,CLAP模型实现高效的音频和文本特征提取和分类,适用于无监督学习环境。模型兼具SWINTransformer和RoBERTa的优点,可用来评估音频与文本间的相似性,且能满足多种音频分类和嵌入需求。
larger_clap_music是一个针对音乐优化的CLAP模型。CLAP,即对比语言-音频预训练,是一种神经网络模型,类似于CLIP用于图像的方法。该模型经过精心训练,可以处理音频与文本配对的数据,并在无需直接为特定任务优化的情况下,预测最相关的文本片段。主要技术上,CLAP模型使用SWINTransformer从日志Mel谱图输入中提取音频特征,并使用RoBERTa模型提取文本特征。随后,这些文本和音频特征被投射到相同维度的潜在空间中,并通过投影特征之间的点积计算相似度得分。
larger_clap_music模型可以用于零样本音频分类,这意味着无需额外的训练数据即可识别音频类别。在实际应用中,可以使用Python代码中的pipeline
方法,快速将音频样本分类为不同的类别。例如,给定音频样本,模型可以判断它是"狗叫声"还是"吸尘器声音"。
from datasets import load_dataset from transformers import pipeline dataset = load_dataset("ashraq/esc50") audio = dataset["train"]["audio"][-1]["array"] audio_classifier = pipeline(task="zero-shot-audio-classification", model="laion/larger_clap_music") output = audio_classifier(audio, candidate_labels=["Sound of a dog", "Sound of vaccum cleaner"]) print(output) >>> [{"score": 0.999, "label": "Sound of a dog"}, {"score": 0.001, "label": "Sound of vaccum cleaner"}]
除了分类功能,larger_clap_music模型还允许用户提取音频和文本的特征嵌入。通过ClapModel
和ClapProcessor
在CPU或GPU上运行模型,可以获得音频样本的特征嵌入。这样的嵌入可以应用于更复杂的音频处理任务中,如音频-文本对齐或语义分析。
在CPU上运行示例代码:
from datasets import load_dataset from transformers import ClapModel, ClapProcessor librispeech_dummy = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation") audio_sample = librispeech_dummy[0] model = ClapModel.from_pretrained("laion/larger_clap_music") processor = ClapProcessor.from_pretrained("laion/larger_clap_music") inputs = processor(audios=audio_sample["audio"]["array"], return_tensors="pt") audio_embed = model.get_audio_features(**inputs)
在GPU上运行示例代码:
from datasets import load_dataset from transformers import ClapModel, ClapProcessor librispeech_dummy = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation") audio_sample = librispeech_dummy[0] model = ClapModel.from_pretrained("laion/larger_clap_music").to(0) processor = ClapProcessor.from_pretrained("laion/larger_clap_music") inputs = processor(audios=audio_sample["audio"]["array"], return_tensors="pt").to(0) audio_embed = model.get_audio_features(**inputs)
如果在工作中使用此模型,请引用原始论文:
@misc{https://doi.org/10.48550/arxiv.2211.06687,
doi = {10.48550/ARXIV.2211.06687},
url = {https://arxiv.org/abs/2211.06687},
author = {Wu, Yusong and Chen, Ke and Zhang, Tianyu and Hui, Yuchen and Berg-Kirkpatrick, Taylor and Dubnov, Shlomo},
keywords = {Sound (cs.SD), Audio and Speech Processing (eess.AS), FOS: Computer and information sciences, FOS: Computer and information sciences, FOS: Electrical engineering, electronic engineering, information engineering, FOS: Electrical engineering, electronic engineering, information engineering},
title = {Large-scale Contrastive Language-Audio Pretraining with Feature Fusion and Keyword-to-Caption Augmentation},
publisher = {arXiv},
year = {2022},
copyright = {Creative Commons Attribution 4.0 International}
}
通过该项目,开发者可以在音乐和音频分析领域实现更加高效的创新应用,特别是在需要音频与文本互动和分类的场景中。
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作
AI办公助手,复杂任务高效处理
AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!
AI辅助编程,代码自动修复
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。