audioldm2

audioldm2

文本到音频生成模型AudioLDM 2实现多种音效、语音及音乐生成

AudioLDM 2是一个文本到音频扩散模型,能通过自监督预训练生成多样化的音效、语音与音乐样本。其模型提供多个检查点,既适用于一般文本到音频的生成,也专注于音乐生成。用户可以通过调整推理步骤和音频长度控制生成音频的质量和时长。在Diffusers库中,从v0.21.0版本便可应用。该模型通过简单的提示,支持个性化音频创作,以中立的方式满足音频生成需求。

声音效果开源项目模型文本到音频生成模型自监督预训练GithubHuggingfaceAudioLDM 2

项目介绍:AudioLDM 2

AudioLDM 2 是一种新的潜在文本到音频的扩散模型,能够生成任何文本输入所对应的真实音频。这款工具从 v0.21.0 起已经在 🧨 Diffusers 库中可用。

模型详情

AudioLDM 2 的设计和实现来自于 Haohe Liu 等人在他们的论文 AudioLDM 2: 学习整体音频生成的自监督预训练 中提出。这个模型通过接收文本提示来预测相应的音频输出。它可以生成与文本相关的声效、人体语音以及音乐。

检查点详情

AudioLDM 2 提供了一个原始的基本版本(也称为 audioldm2-full)。共有三个官方的 AudioLDM 2 检查点,其中两个应用于一般的文本到音频的生成任务,第三个则专注于文本到音乐的生成。这些检查点在文本编码器和 VAE 上的模型大小相同,但它们在 UNet 的大小和深度上有不同。以下是这三个官方检查点的详细信息:

检查点任务UNet 模型大小总模型大小训练数据 / 小时
audioldm2文本到音频350M1.1B1150k
audioldm2-large文本到音频750M1.5B1150k
audioldm2-music文本到音乐350M1.1B665k

模型来源

使用方法

首先,需要安装所需的 Python 包:

pip install --upgrade diffusers transformers accelerate

文本到音频生成

对于文本到音频的生成,可以使用 AudioLDM2Pipeline 来加载预训练权重并生成文本条件音频输出:

from diffusers import AudioLDM2Pipeline import torch repo_id = "cvssp/audioldm2" pipe = AudioLDM2Pipeline.from_pretrained(repo_id, torch_dtype=torch.float16) pipe = pipe.to("cuda") prompt = "The sound of a hammer hitting a wooden surface" audio = pipe(prompt, num_inference_steps=200, audio_length_in_s=10.0).audios[0]

将生成的音频输出保存为 .wav 文件:

import scipy scipy.io.wavfile.write("techno.wav", rate=16000, data=audio)

或在 Jupyter Notebook 和 Google Colab 中显示:

from IPython.display import Audio Audio(audio, rate=16000)

小贴士

提示:

  • 描述性提示输入效果最佳:可以使用形容词描述声音(例如“高质量”或“清晰”),并使提示具体化(例如“森林中的溪流”而不是“溪流”)。
  • 尽量使用普通词汇,如“猫”或“狗”,而不是模型可能不熟悉的特定名称或抽象对象。

推理:

  • 可以通过 num_inference_steps 参数控制预测音频样本的质量:步数越高,音频质量越好,但推理速度越慢。
  • 可以通过改变 audio_length_in_s 参数控制预测音频样本的长度。

生成波形评估:

  • 生成波形的质量可能会因种子而异。尝试使用不同的种子以找到满意的生成。
  • 可以一次生成多个波形:将 num_waveforms_per_prompt 设置为大于1的值。生成的波形和提示文本之间会自动进行评分,然后音频将按照从好到差的顺序进行排名。

下面的示例展示了如何使用上述提示构建一个好的音频生成:

import scipy import torch from diffusers import AudioLDM2Pipeline # 加载管道 repo_id = "cvssp/audioldm2" pipe = AudioLDM2Pipeline.from_pretrained(repo_id, torch_dtype=torch.float16) pipe = pipe.to("cuda") # 定义提示 prompt = "The sound of a hammer hitting a wooden surface" negative_prompt = "Low quality." # 设置种子 generator = torch.Generator("cuda").manual_seed(0) # 运行生成 audio = pipe( prompt, negative_prompt=negative_prompt, num_inference_steps=200, audio_length_in_s=10.0, num_waveforms_per_prompt=3, ).audios # 将最佳音频示例(索引0)保存为 .wav 文件 scipy.io.wavfile.write("techno.wav", rate=16000, data=audio[0])

引用

如果使用了本研究或相关模型,请引用以下论文:

BibTeX:

@article{liu2023audioldm2,
  title={"AudioLDM 2: Learning Holistic Audio Generation with Self-supervised Pretraining"},
  author={Haohe Liu and Qiao Tian and Yi Yuan and Xubo Liu and Xinhao Mei and Qiuqiang Kong and Yuping Wang and Wenwu Wang and Yuxuan Wang and Mark D. Plumbley},
  journal={arXiv preprint arXiv:2308.05734},
  year={2023}
}

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多