musiclm-pytorch

musiclm-pytorch

Pytorch实现的音乐生成模型MusicLM

MusicLM-Pytorch通过使用Google的新型SOTA音乐生成模型来生成音乐。该项目结合了文本条件的AudioLM和MuLan文本-音频对比学习模型。通过MuLaNEmbedQuantizer获取条件嵌入,用户可以在经过训练后,实现语义、粗粒度和细粒度的三种AudioLM转换器的音乐生成。项目包含详细的安装和使用指南,适合对AI音乐生成技术感兴趣的开发者。

MusicLMPytorchMuLaNAudioLM音乐生成Github开源项目

<img src="https://yellow-cdn.veclightyear.com/35dd4d3f/9803596a-1c91-4369-9714-56b4c44b3a14.png" width="450px"></img>

MusicLM - Pytorch

使用注意力网络在Pytorch中实现<a href="https://google-research.github.io/seanet/musiclm/examples/">MusicLM</a>,Google最新的SOTA音乐生成模型。

他们基本上是在使用文本条件的<a href="https://github.com/lucidrains/audiolm-pytorch">AudioLM</a>,但令人惊讶的是,使用了一个名为<a href="https://arxiv.org/abs/2208.12415">MuLan</a>的文本-音频对比学习模型的嵌入。本库将构建MuLan,并从另一个库中修改AudioLM以支持此处的音乐生成需求。

如果你对与<a href="https://laion.ai/">LAION</a>社区一起进行复现感兴趣,请加入<a href="https://discord.gg/xBPBXfcFHd"><img alt="Join us on Discord" src="https://yellow-cdn.veclightyear.com/35dd4d3f/5b6b230e-5a6e-4785-931c-662fafa70c5c.png"></a>

<a href="https://www.youtube.com/watch?v=jTrYIGxOuKQ">Louis Bouchard的What's AI</a>

感谢

  • 感谢<a href="https://stability.ai/">Stability.ai</a>慷慨赞助以研究和开源尖端的人工智能技术

  • 感谢<a href="https://huggingface.co/">🤗 Huggingface</a>提供的<a href="https://huggingface.co/docs/accelerate/index">accelerate</a>训练库

使用方法

$ pip install musiclm-pytorch

使用方法

首先需要训练MuLaN

import torch from musiclm_pytorch import MuLaN, AudioSpectrogramTransformer, TextTransformer audio_transformer = AudioSpectrogramTransformer( dim = 512, depth = 6, heads = 8, dim_head = 64, spec_n_fft = 128, spec_win_length = 24, spec_aug_stretch_factor = 0.8 ) text_transformer = TextTransformer( dim = 512, depth = 6, heads = 8, dim_head = 64 ) mulan = MuLaN( audio_transformer = audio_transformer, text_transformer = text_transformer ) # 获取大量<声音, 文本>对并进行训练 wavs = torch.randn(2, 1024) texts = torch.randint(0, 20000, (2, 256)) loss = mulan(wavs, texts) loss.backward() # 经过大量训练后,你可以将声音和文本嵌入到一个联合嵌入空间 # 用于条件音频LM embeds = mulan.get_audio_latents(wavs) # 训练期间 embeds = mulan.get_text_latents(texts) # 推理期间

要获取作为 AudioLM 部分的三个转换器的条件嵌入,你必须使用 MuLaNEmbedQuantizer 如下

from musiclm_pytorch import MuLaNEmbedQuantizer # 使用命名空间条件嵌入设置量化器,每个量化器和命名空间都是唯一的(每个变换器) quantizer = MuLaNEmbedQuantizer( mulan = mulan, # 传入上面训练好的Mulan conditioning_dims = (1024, 1024, 1024), # 假设所有三个转换器的模型维度均为1024 namespaces = ('semantic', 'coarse', 'fine') ) # 现在假设你需要语义转换器的条件嵌入 wavs = torch.randn(2, 1024) conds = quantizer(wavs = wavs, namespace = 'semantic') # (2, 8, 1024) - 8是量化器的数量

要训练(或微调)作为AudioLM部分的三个转换器,只需按照audiolm-pytorch的训练说明进行操作,但需要将MulanEmbedQuantizer实例传递给训练类中的audio_conditioner关键字

例如 SemanticTransformerTrainer

import torch from audiolm_pytorch import HubertWithKmeans, SemanticTransformer, SemanticTransformerTrainer wav2vec = HubertWithKmeans( checkpoint_path = './hubert/hubert_base_ls960.pt', kmeans_path = './hubert/hubert_base_ls960_L9_km500.bin' ) semantic_transformer = SemanticTransformer( num_semantic_tokens = wav2vec.codebook_size, dim = 1024, depth = 6, audio_text_condition = True # 该设置必须为True(CoarseTransformer和FineTransformers也一样) ).cuda() trainer = SemanticTransformerTrainer( transformer = semantic_transformer, wav2vec = wav2vec, audio_conditioner = quantizer, # 传入上面的MulanEmbedQuantizer实例 folder ='/path/to/audio/files', batch_size = 1, data_max_length = 320 * 32, num_train_steps = 1 ) trainer.train()

在对所有三个转换器(语义,粗略,精细)进行大量训练后,你将把微调或从头开始训练的AudioLM和用 MuLaNEmbedQuantizer 包装的MuLaN传给MusicLM

# 你需要从上面训练好的AudioLM(audio_lm) # 与MulanEmbedQuantizer(mulan_embed_quantizer) from musiclm_pytorch import MusicLM musiclm = MusicLM( audio_lm = audio_lm, # `AudioLM`来自https://github.com/lucidrains/audiolm-pytorch mulan_embed_quantizer = quantizer # 上面的`MuLaNEmbedQuantizer` ) music = musiclm('the crystalline sounds of the piano in a ballroom', num_samples = 4) # 采样4个并使用Mulan选取最佳匹配

待办事项

  • mulan似乎在使用解耦的对比学习,提供该选项

  • 用mulan包装器包装mulan并量化输出,将其投射到audiolm维度

  • 修改audiolm以接受条件嵌入,可以选择通过单独的投影处理不同的维度

  • audiolm和mulan进入musiclm进行生成,并用mulan过滤

  • 给AST中的自注意力赋予动态位置偏置

  • 实现MusicLM生成多个样本并选择与MuLan最匹配的样本

  • 支持音频变长度,使用音频转换器中的掩模

  • <a href="https://github.com/mlfoundations/open_clip">open clip</a>添加一个版本的mulan

  • 设置所有适当的声谱图超参数

引用

@inproceedings{Agostinelli2023MusicLMGM, title = {MusicLM: Generating Music From Text}, author = {Andrea Agostinelli and Timo I. Denk and Zal{\'a}n Borsos and Jesse Engel and Mauro Verzetti and Antoine Caillon and Qingqing Huang and Aren Jansen and Adam Roberts and Marco Tagliasacchi and Matthew Sharifi and Neil Zeghidour and C. Frank}, year = {2023} }
@article{Huang2022MuLanAJ, title = {MuLan: A Joint Embedding of Music Audio and Natural Language}, author = {Qingqing Huang and Aren Jansen and Joonseok Lee and Ravi Ganti and Judith Yue Li and Daniel P. W. Ellis}, journal = {ArXiv}, year = {2022}, volume = {abs/2208.12415} }
@misc{https://doi.org/10.48550/arxiv.2302.01327, doi = {10.48550/ARXIV.2302.01327}, url = {https://arxiv.org/abs/2302.01327}, author = {Kumar, Manoj and Dehghani, Mostafa and Houlsby, Neil}, title = {Dual PatchNorm}, publisher = {arXiv}, year = {2023}, copyright = {Creative Commons Attribution 4.0 International} }
@article{Liu2022PatchDropoutEV, title = {PatchDropout: Economizing Vision Transformers Using Patch Dropout}, author = {Yue Liu and Christos Matsoukas and Fredrik Strand and Hossein Azizpour and Kevin Smith}, journal = {ArXiv}, year = {2022}, volume = {abs/2208.07220} }
@misc{liu2021swin, title = {Swin Transformer V2: Scaling Up Capacity and Resolution}, author = {Ze Liu and Han Hu and Yutong Lin and Zhuliang Yao and Zhenda Xie and Yixuan Wei and Jia Ning and Yue Cao and Zheng Zhang and Li Dong and Furu Wei and Baining Guo}, year = {2021}, eprint = {2111.09883}, archivePrefix = {arXiv}, primaryClass = {cs.CV} }
@misc{gilmer2023intriguing title = {Intriguing Properties of Transformer Training Instabilities}, author = {Justin Gilmer, Andrea Schioppa, and Jeremy Cohen}, year = {2023}, status = {to be published - one attention stabilization technique is circulating within Google Brain, being used by multiple teams} }
@inproceedings{Shukor2022EfficientVP, title = {Efficient Vision-Language Pretraining with Visual Concepts and Hierarchical Alignment}, author = {Mustafa Shukor and Guillaume Couairon and Matthieu Cord}, booktitle = {British Machine Vision Conference}, year = {2022} }
@inproceedings{Zhai2023SigmoidLF, title = {Sigmoid Loss for Language Image Pre-Training}, author = {Xiaohua Zhai and Basil Mustafa and Alexander Kolesnikov and Lucas Beyer}, year = {2023} }

唯一的真理是音乐。 - 杰克·凯鲁亚克

音乐是人类的通用语言。 - 亨利·沃兹沃斯·朗费罗

编辑推荐精选

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

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
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

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
下拉加载更多