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
模型介绍
内容详情
替代品

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。