К содержимому
Другое

Mothor sound model

Core ML конвертация CLAP для поиска звуков на Mac

2 мин чтения

Модель представляет собой оптимизированную версию архитектуры CLAP (Contrastive Language-Audio Pretraining — модель для сопоставления текста и аудио) на базе laion/larger_clap_general, переведённую в формат Core ML для локального запуска в приложении Mothor на macOS. Она разбита на две части: аудиобашню (квантованную до int8) и текстовую башню (в формате float16) для быстрого сопоставления звуковых семплов и текстовых описаний. Инструмент используется для текстового поиска по библиотеке звуков, подбора похожих аудиофайлов и автоматического тегирования прямо на устройстве пользователя. Конвертация выполнена без переобучения весов, с переработкой графа вычислений для максимальной производительности на процессорах Apple Silicon.

Ключевые особенности

  • Полная совместимость с macOS через нативный формат Core ML
  • Аудиобашня с 8-битным квантованием (int8) для экономии памяти
  • Текстовая башня в половинной точности (float16)
  • Высокая точность приближения к оригиналу (косинусное сходство весов не ниже 0.999)

Что можно сделать

  • Интегрировать модель в macOS-приложение для локального поиска по звуковой библиотеке
  • Реализовать текстовый поиск звуков по описанию на устройствах Apple
  • Настроить автоматическое тегирование аудиофайлов без отправки данных в облако
  • Использовать эмбеддинги аудио и текста для создания систем поиска похожих звуков

Пример

Модель предназначена для интеграции в приложения через Core ML и ожидает на вход фиксированные данные: 10-секундные лог-мел спектрограммы для аудио и токены длиной до 77 для текста.

ПодробнееБазовая модель: laion/larger_clap_general
Библиотека: coreml
Лицензия: Apache-2.0
Аудиовход: фиксированное окно 10 секунд (спектрограмма 1x1x1001x64), выход — 512-мерный эмбеддинг
Текстовый вход: 77 токенов с маской, выход — 512-мерный эмбеддинг
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.8 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # arnbrst/mothor-sound-model
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download arnbrst/mothor-sound-model --local-dir ~/models/mothor-sound-model
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к mothor-sound-model
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

laion/larger_clap_general

Новые посты про версии larger_clap_general — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 4Все на Hugging Face
Дообучения 4Все на Hugging Face

О модели

arnbrst/mothor-sound-model
Автор
arnbrst
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Mundus 0.1

Mundus 0.1