求音乐品鉴 AI 推荐

[beyondstars]

想寻找具有下列功能的 AI 模型：

1. 接受声音波形（或傅立叶频谱瀑布图）作为输入；（波形输入）
2. 文字输出；
3. 能够以自然语言的方式表达对音乐的品鉴、赏析；（类比为就好像你用文生文模型品鉴古诗一样）
4. hugging face 这样的平台有这类模型？关键字？类别？ github 上有这样的 pre-trained 模型？

[Tamio]

接受声音文件的多模态都可以. 比如 gemini-2-flash 就支持