C
Cnn8rnn W2vmean Audiocaps Grounding
由 wsntxxn 开发
这是一个文本到音频的定位模型,能够预测音频片段中特定声音事件发生的概率。
下载量 456
发布时间 : 6/22/2024
模型简介
该模型用于音频事件定位,给定音频片段和文本提示,可以预测事件发生的概率,时间分辨率为40毫秒。
模型特点
高时间分辨率
能够以40毫秒的时间分辨率预测音频事件发生的概率。
简单有效架构
采用Cnn8Rnn音频编码器和单嵌入层文本编码器的简单架构。
弱监督训练
在AudioCaps数据集上进行弱监督训练。
模型能力
音频事件定位
文本到音频匹配
声音事件概率预测
使用案例
音频分析
音频内容检索
在长音频中定位特定声音事件的发生时间点。
可精确到40毫秒的时间分辨率
多媒体内容分析
分析视频或音频内容中特定声音事件的出现情况。
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers

支持多种语言
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers

英语
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统
中文
R
uer
2,694
98
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文