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
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
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。

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。

下拉加载更多