SpecVQGAN

SpecVQGAN

使用视觉提示生成高保真声音的方法

SpecVQGAN项目提出了一种利用视觉提示生成声音的方法。通过将训练数据集缩小到一组代表向量(代码本),这些代码本向量可被控地进行采样,从而根据视觉提示生成新声音。项目使用VQGAN的训练方法在频谱图上训练代码本,并通过GPT-2变体的transformer在视觉特征条件下自回归地采样代码本条目。这种方法可以生成长时间、相关且高保真的声音,并支持多种数据类别。

SpecVQGAN声谱图代码本Transformer训练模型Github开源项目

SpecVQGAN 项目介绍

项目概述

SpecVQGAN 项目是一项创新的研究,旨在通过视觉引导的方式生成声音。其核心思想是通过对训练数据集进行“压缩”处理,即将音频的训练样本缩减为一组代表性向量,称为“码本”。这些码本向量可以通过采样生成新的声音,前提是提供一组视觉提示来作为初始条件。

SpecVQGAN 的精髓在于使用了一种称为 Spectrogram VQGAN 的技术,该技术从声谱图(音频的视觉表示)中训练出码本。随后,项目团队训练了一种变体的 GPT-2 模型,这是一种变压器模型,它能够逐步采样码本条目,生成符合视觉特征的音频。

这种方法能够帮助训练出一个长时间段、相关性高且保真度高的声音生成模型,并支持众多的数据类别。

环境准备

在实验过程中,使用的是包含 Linux 系统的服务器,并在其中设置了 conda 虚拟环境。该项目依赖于 PyTorch 1.8 和 CUDA 11。

要开始项目,可以通过以下命令克隆代码库:

git clone https://github.com/v-iashin/SpecVQGAN.git

接着,可以使用 conda 或 docker 安装所需环境。

Conda 安装

执行下面的命令来创建 conda 环境:

conda env create -f conda_env.yml

测试环境:

conda activate specvqgan python -c "import torch; print(torch.cuda.is_available())" # 应该返回 True 表示成功配置 CUDA

数据准备

项目中使用了 VAS 和 VGGSound 数据集。VAS 数据集可以直接从 RegNet 库中提供的链接下载,而 VGGSound 需要从 YouTube 上获取视频。

下载数据集特征的脚本会自动下载全部特征,检验 MD5 校验和,解压并清理临时文件。具体脚本执行类似以下命令:

cd ./data bash ./download_vas_features.sh bash ./download_vggsound_features.sh

预训练模型

SpecVQGAN 项目提供了几个预训练模型,可用于生成音频或进行进一步研究。其训练步骤分为两个阶段:首先训练声谱图码本,然后训练基于 Transformer 的模型从该码本中采样音频。

  • 码本(Codebook):包含已在 VGGSound 和 VAS 数据集上训练好的模型,提供了不同尺寸的模型文件以供下载。
  • 变压器(Transformer):提供了各种条件(例如无特征、单个特征)下训练好的模型。每种条件设置下的预训练模型都有具体的性能指标(例如生成音频的质量和生成时间)。

训练过程

  1. 训练声谱图码本:使用 VAS 或 VGGSound 数据集进行训练。可以根据可用的硬件选择适合的批处理大小。

  2. 训练变压器模型:在给定一组视觉特征的情况下,使用训练好的声谱图码本作为基础进行训练。

评估和采样工具

项目提供了评估和采样工具,用于生成音频样本并评估生成质量。可在多 GPU 上并行处理进行高效评估。使用 Streamlit 库可以启动交互式采样工具,在浏览器中显示可视化的生成结果。

通过这种可控的视觉引导生成声音的方法,SpecVQGAN 项目展示了在跨模态声音合成领域的巨大潜力。

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