WavJourney

🎵 WavJourney: 利用大语言模型进行组合式音频创作

我们正积极寻求研究和商业合作,以推进AI辅助多媒体讲述。如果您有兴趣,请发送电子邮件至xubo.liu@surrey.ac.uk了解更多详情!

此存储库包含"WavJourney:利用大语言模型进行组合式音频创作"的官方实现。

WavJourney从文本提示开始,可以创造出包含个性化演讲者、贴近生活的情境对话、富有感情的音乐创作和有影响力的声音效果的引人入胜的音频内容,从而增强听觉体验。

欢迎通过Discord或HuggingFace社区分享您的创作!

前提条件

安装环境:

bash ./scripts/EnvsSetup.sh

激活conda环境:

conda activate WavJourney

(可选)您可以修改 config.yaml 中的默认配置,检查配置文件中描述的详细信息。
预下载模型(可能需要一些时间):

python scripts/download_models.py

在环境变量中设置WAVJOURNEY_OPENAI_KEY以访问GPT-4 API [指南]

export WAVJOURNEY_OPENAI_KEY=your_openai_key_here

设置使用API服务的环境变量。

# 将WAVJOURNEY服务的端口设置为8021
export WAVJOURNEY_SERVICE_PORT=8021

# 将WAVJOURNEY服务的URL设置为127.0.0.1
export WAVJOURNEY_SERVICE_URL=127.0.0.1

# 将WAVJOURNEY的最大脚本行数限制为999
export WAVJOURNEY_MAX_SCRIPT_LINES=999

启动Python API服务(例如文本转语音、文本转音频)

bash scripts/start_services.sh

Web APP

bash scripts/start_ui.sh

命令行用法

python wavjourney_cli.py -f --input-text "Generate a one-minute introduction to quantum mechanics"

停止服务

您可以通过以下命令停止正在运行的服务:

python scripts/kill_services.py

(高级功能)扬声器自定义

您可以为WavJourney添加语音预设来自定义配音演员。只需提供语音ID、描述和示例WAV文件,WavJourney就会根据音频脚本自动选择相应的语音。预定义的系统语音预设位于data/voice_presets。

您可以通过UI管理语音预设。如果您要添加语音预设,请通过以下命令行运行脚本:

python add_voice_preset.py --id "id" --desc "description" --wav-path path/to/wav --session-id ''

什么样的语音提示比较好?详细说明请参考<a href="https://github.com/gitmylo/bark-voice-cloning-HuBERT-quantizer">此处</a>。

硬件要求

默认配置下,GPU的VRAM应大于16 GB。
操作系统:Linux。

引用

如果您发现这项工作很有用,可以引用以下论文:

@article{liu2023wavjourney,
    title   = {WavJourney: Compositional Audio Creation with Large Language Models},
    author  = {Liu, Xubo and Zhu, Zhongkai and Liu, Haohe and Yuan, Yi and Huang, Qiushi and Liang, Jinhua and Cao, Yin and Kong, Qiuqiang and Plumbley, Mark D and Wang, Wenwu},
    journal = {arXiv preprint arXiv:2307.14335},
    year    = {2023}
}