Музыка и звукПоиск и RAG

MERT

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

Разработчик
m-a-p (Multimodal Art Projection), Великобритания / Китай
Первый выпуск
дек 2022
Последний выпуск
сен 2026
Размеры
95M – 632M
Лицензия
Только некоммерческоеCC-BY-NC 4.0 (некоммерческая)
Готовые сборки
GGUF
Запуск
Через свой серверРаботает и без видеокарты
Сферы
Медиа и продакшн, Наука
Поставить на свой сервер Hugging Face GitHub

Какие задачи решает

  • Автоматическая разметка музыкального каталога
  • Поиск похожих треков
  • Определение жанра, настроения и темпа

Где применяется

Музыкальные сервисы и лейблыМедиаИсследования

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. MERT-v2 (30s, FullSong)
  2. MERT-v1 (95M, 330M)
  3. MERT-v0

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. Квантование — сжатие модели: она занимает меньше видеопамяти и работает на более скромном железе. Отвечает при этом чуть иначе, поэтому качество проверяют на своих примерах.

Частые вопросы

Можно ли использовать MERT в коммерческом проекте?

Нет. Лицензия: CC-BY-NC 4.0 (некоммерческая). Для коммерческого продукта нужна другая модель или отдельное соглашение с правообладателем.

Какое железо нужно для MERT?

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 MERT русский язык?

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

Где скачать MERT и сколько это стоит?

Веса MERT 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 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.

ПодробнееМузыка и звукAST (Audio Spectrogram Transformer)MIT · СШАМожно в коммерцию

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.

ПодробнееКомпьютерное зрениеSigLIP (наследник CLIP)Google · СШАМожно в коммерцию

Модели, которые переводят картинки и текст в общее пространство: можно искать фото по словам и классифицировать изображения без обучения. CLIP от OpenAI (2021) — предшественник.

Подробнее

Источник: huggingface.co/m-a-p/MERT-v2-FullSong. Данные сверены с карточкой модели 22.09.2026. Лицензию перед коммерческим запуском проверьте с юристом.