音频频谱图转换器（在Speech Commands v2上进行了微调）

音频频谱图转换器（AST）模型在Speech Commands v2上进行了微调。它是由Gong等人在 AST: Audio Spectrogram Transformer 论文中提出，并首次在 this repository 中发布。

免责声明：发布音频频谱图转换器的团队并未为该模型编写模型卡，因此此模型卡由Hugging Face团队编写。

模型描述

音频频谱图转换器等同于 ViT ，但应用于音频。音频首先转换为图像（作为频谱图），然后应用视觉转换器。该模型在几个音频分类基准上取得了最先进的结果。

用法

您可以使用原始模型将音频分类为Speech Commands v2类别之一。有关更多信息，请参阅 documentation 。