Музыка и звукПоиск и RAG

AST (Audio Spectrogram Transformer)

Классическая модель 2021 года для распознавания звуков: определяет 527 классов событий AudioSet (сирена, лай, стекло, музыка). Лёгкая, работает без видеокарты, с 2022 года в Transformers.

Последняя открытая версия вышла в ноя 2022. Семейство давно не обновлялось: это не значит, что модель не работает, но свежих исправлений и новых размеров ждать не стоит.

Разработчик
MIT, США
Первый выпуск
ноя 2022
Последний выпуск
ноя 2022
Размеры
около 87M
Лицензия
Можно в коммерциюBSD 3-Clause
Запуск
Через свой серверРаботает и без видеокарты
Сферы
Безопасность, Производство и склад, Медиа и продакшн
Поставить на свой сервер Hugging Face GitHub

Какие задачи решает

  • Распознавание звуковых событий
  • Разметка аудиоархива
  • Детекция тревожных звуков
  • Распознавание голосовых команд

Где применяется

Безопасность и мониторингПроизводство (контроль по звуку)Медиа

Требования к железу

НоутбукНоутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии
подходит
1 видеокартаОдна видеокарта на 16–80 ГБ — средние версии
нет версий
КластерСервер с несколькими видеокартами — флагманские версии
нет версий

Версии

  1. AST, дообученные на AudioSet и Speech Commands (в Transformers)

Как запустить

На своём сервереВеса скачиваются с Hugging Face, запуск — через vLLM (нагрузка и API) или llama.cpp (скромное железо). Так модель работает в закрытом контуре, без оплаты за запросы.Hugging Face
Сколько нужно железаПосчитайте видеопамять под нужный размер модели, контекст и число одновременных запросов.Открыть калькулятор железа

Ставлю и настраиваю под ключ: подберу размер модели, разверну на вашем сервере, подключу к вашим системам.

Частые вопросы

Можно ли использовать AST (Audio Spectrogram Transformer) в коммерческом проекте?

Да. Лицензия: BSD 3-Clause. Это разрешает коммерческое использование, но перед запуском лицензию всё равно стоит показать юристу.

Какое железо нужно для AST (Audio Spectrogram Transformer)?

Минимум: Ноутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии. Есть версии, которые работают и без видеокарты, на обычном процессоре. Точный объём видеопамяти под ваш размер модели и контекст можно посчитать в калькуляторе железа.

Поддерживает ли AST (Audio Spectrogram Transformer) русский язык?

Для этой модели язык не важен: она работает не с текстом.

Где скачать AST (Audio Spectrogram Transformer) и сколько это стоит?

Веса AST (Audio Spectrogram Transformer) лежат в открытом доступе и скачиваются бесплатно. Платить нужно только за железо, на котором модель работает, и за настройку. Ссылки на первоисточник — в конце страницы.

Как внедряю у заказчика

  1. ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
  2. УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
  3. ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
  4. ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.

Похожие модели

Музыка и звукMERTm-a-p (Multimodal Art Projection) · Великобритания / КитайТолько некоммерческое

Энкодер музыки: превращает трек в числовое описание, по которому определяют жанр, настроение, тональность и ритм. MERT-v2 работает с целыми песнями до 6 минут.

ПодробнееМузыка и звукMuQ / MuQ-MuLanTencent AI Lab · КитайТолько некоммерческое

Музыкальный энкодер MuQ и модель MuQ-MuLan, которая сопоставляет музыку и текст: можно искать треки по описанию на английском или китайском.

ПодробнееГолос: спикеры и звукSAM AudioMeta · СШАКоммерция с условиями

Модель вырезает из записи нужный звук по текстовому описанию, по отметке на видео или по отрезку: голос, инструмент, шум. Доступ к весам выдают по заявке.

Подробнее

Источник: huggingface.co/MIT/ast-finetuned-audioset-10-10-0.4593. Данные сверены с карточкой модели 22.09.2026. Лицензию перед коммерческим запуском проверьте с юристом.