Hugging Face 的标志

Diffusers 文档

MusicLDM

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

MusicLDM

MusicLDM 在 MusicLDM：使用节拍同步混合策略增强文本到音乐生成的新颖性 中被提出，作者是 Ke Chen、Yusong Wu、Haohe Liu、Marianna Nezhurina、Taylor Berg-Kirkpatrick、Shlomo Dubnov。MusicLDM 接受文本提示作为输入，并预测相应的音乐样本。

受 Stable Diffusion 和 AudioLDM 的启发，MusicLDM 是一种文本到音乐的潜在扩散模型 (LDM)，它从 CLAP 潜在空间中学习连续音频表示。

MusicLDM 在包含 466 小时音乐数据的语料库上进行训练。节拍同步数据增强策略应用于音乐样本，无论是在时域还是潜在空间中。使用节拍同步数据增强策略鼓励模型在训练样本之间进行插值，但保持在训练数据的域内。结果是生成的音乐更加多样化，同时仍然忠实于相应的风格。

该论文的摘要如下：

扩散模型在跨模态生成任务中显示出很有希望的结果，包括文本到图像和文本到音频的生成。然而，生成音乐作为一种特殊的音频类型，由于音乐数据可用性有限以及与版权和剽窃相关的敏感问题，带来了独特的挑战。在本文中，为了应对这些挑战，我们首先构建了一个最先进的文本到音乐模型 MusicLDM，它将 Stable Diffusion 和 AudioLDM 架构调整到音乐领域。我们通过在音乐数据样本集合上重新训练对比语言音频预训练模型 (CLAP) 和 Hifi-GAN 声码器（作为 MusicLDM 的组件）来实现这一点。然后，为了解决训练数据限制并避免剽窃，我们利用节拍跟踪模型并提出两种不同的混合策略用于数据增强：节拍同步音频混合和节拍同步潜在混合，它们分别直接或通过潜在嵌入空间重新组合训练音频。这种混合策略鼓励模型在音乐训练样本之间进行插值，并在训练数据的凸包内生成新音乐，使生成的音乐更加多样化，同时仍然忠实于相应的风格。除了流行的评估指标外，我们还设计了几个基于 CLAP 分数的新评估指标，以证明我们提出的 MusicLDM 和节拍同步混合策略提高了生成音乐的质量和新颖性，以及输入文本和生成音乐之间的对应关系。

此 pipeline 由 sanchit-gandhi 贡献。

提示

在构建提示时，请记住

  • 描述性提示输入效果最佳；使用形容词来描述声音（例如，“高质量”或“清晰”），并在可能的情况下使提示上下文具体化（例如，“具有快速节拍和合成器的旋律技术舞曲”比“技术舞曲”效果更好）。
  • 使用负面提示词可以显著提高生成的音频质量。尝试使用 “low quality, average quality”（低质量，普通质量）的负面提示词。

推理过程中

  • 生成的音频样本的质量可以通过 num_inference_steps 参数控制；更高的步数可以提供更高质量的音频，但会牺牲推理速度。
  • 可以一次性生成多个波形：将 num_waveforms_per_prompt 设置为大于 1 的值即可启用。将对生成的波形和提示文本之间执行自动评分，并据此对音频进行从最佳到最差的排序。
  • 生成的音频样本的长度可以通过调整 audio_length_in_s 参数来控制。

请务必查看调度器指南，了解如何探索调度器速度和质量之间的权衡，并查看跨 pipelines 重用组件部分，了解如何高效地将相同组件加载到多个 pipelines 中。

MusicLDMPipeline

类 diffusers.MusicLDMPipeline

< >

( vae: AutoencoderKL text_encoder: typing.Union[transformers.models.clap.modeling_clap.ClapTextModelWithProjection, transformers.models.clap.modeling_clap.ClapModel] tokenizer: typing.Union[transformers.models.roberta.tokenization_roberta.RobertaTokenizer, transformers.models.roberta.tokenization_roberta_fast.RobertaTokenizerFast] feature_extractor: typing.Optional[transformers.models.clap.feature_extraction_clap.ClapFeatureExtractor] unet: UNet2DConditionModel scheduler: KarrasDiffusionSchedulers vocoder: SpeechT5HifiGan )

参数

使用 MusicLDM 进行文本到音频生成的 Pipeline。

此模型继承自 DiffusionPipeline。查看超类文档以了解为所有 pipelines 实现的通用方法（下载、保存、在特定设备上运行等）。

__call__

< >

( prompt: typing.Union[str, typing.List[str]] = None audio_length_in_s: typing.Optional[float] = None num_inference_steps: int = 200 guidance_scale: float = 2.0 negative_prompt: typing.Union[str, typing.List[str], NoneType] = None num_waveforms_per_prompt: typing.Optional[int] = 1 eta: float = 0.0 generator: typing.Union[torch._C.Generator, typing.List[torch._C.Generator], NoneType] = None latents: typing.Optional[torch.Tensor] = None prompt_embeds: typing.Optional[torch.Tensor] = None negative_prompt_embeds: typing.Optional[torch.Tensor] = None return_dict: bool = True callback: typing.Optional[typing.Callable[[int, int, torch.Tensor], NoneType]] = None callback_steps: typing.Optional[int] = 1 cross_attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None output_type: typing.Optional[str] = 'np' ) → AudioPipelineOutput 或 tuple

参数

  • prompt (str 或 List[str], 可选的) — 用于引导音频生成的提示或提示列表。如果未定义，则需要传递 prompt_embeds。
  • audio_length_in_s (int, 可选的, 默认为 10.24) — 生成的音频样本的长度，以秒为单位。
  • num_inference_steps (int, 可选的, 默认为 200) — 去噪步骤的数量。更多的去噪步骤通常会带来更高质量的音频，但会牺牲推理速度。
  • guidance_scale (float, 可选的, 默认为 2.0) — 更高的 guidance scale 值会鼓励模型生成与文本 prompt 紧密相关的音频，但会牺牲声音质量。当 guidance_scale > 1 时，guidance scale 启用。
  • negative_prompt (str 或 List[str], 可选的) — 用于引导音频生成中不应包含的内容的提示或提示列表。如果未定义，则需要传递 negative_prompt_embeds 代替。当不使用 guidance（guidance_scale < 1）时忽略。
  • num_waveforms_per_prompt (int, 可选的, 默认为 1) — 每个提示要生成的波形数量。如果 num_waveforms_per_prompt > 1，则文本编码模型是联合文本-音频模型 (ClapModel)，并且 tokenizer 是 [~transformers.ClapProcessor]，则将对生成的输出和输入文本之间执行自动评分。此评分根据生成的波形在联合文本-音频嵌入空间中与文本输入的余弦相似度对其进行排名。
  • eta (float, 可选的, 默认为 0.0) — 对应于 DDIM 论文中的参数 eta (η)。仅适用于 DDIMScheduler，在其他调度器中将被忽略。
  • generator (torch.Generator 或 List[torch.Generator], 可选的) — 用于使生成具有确定性的 torch.Generator。
  • latents (torch.Tensor, 可选的) — 预生成的、从高斯分布采样的噪声潜在空间，用作图像生成的输入。可用于使用不同的提示调整相同的生成结果。如果未提供，则潜在张量通过使用提供的随机 generator 进行采样来生成。
  • prompt_embeds (torch.Tensor, 可选的) — 预生成的文本嵌入。可用于轻松调整文本输入（提示权重）。如果未提供，则文本嵌入从 prompt 输入参数生成。
  • negative_prompt_embeds (torch.Tensor, 可选的) — 预生成的负面文本嵌入。可用于轻松调整文本输入（提示权重）。如果未提供，则 negative_prompt_embeds 从 negative_prompt 输入参数生成。
  • return_dict (bool, 可选的, 默认为 True) — 是否返回 AudioPipelineOutput 而不是普通元组。
  • callback (Callable, 可选的) — 在推理期间每 callback_steps 步调用的函数。该函数使用以下参数调用： callback(step: int, timestep: int, latents: torch.Tensor)。
  • callback_steps (int, 可选的, 默认为 1) — 调用 callback 函数的频率。如果未指定，则在每个步骤都调用回调。
  • cross_attention_kwargs (dict, 可选的) — 一个 kwargs 字典，如果指定，则会传递给 self.processor 中定义的 AttentionProcessor。
  • output_type (str, 可选, 默认为 "np") — 生成音频的输出格式。在 "np" (返回 NumPy np.ndarray) 或 "pt" (返回 PyTorch torch.Tensor 对象) 之间选择。设置为 "latent" 以返回潜在扩散模型 (LDM) 输出。

返回

AudioPipelineOutput 或 tuple

如果 return_dict 为 True，则返回 AudioPipelineOutput，否则返回 tuple，其中第一个元素是包含生成音频的列表。

管道的调用函数，用于生成。

示例

>>> from diffusers import MusicLDMPipeline
>>> import torch
>>> import scipy

>>> repo_id = "ucsd-reach/musicldm"
>>> pipe = MusicLDMPipeline.from_pretrained(repo_id, torch_dtype=torch.float16)
>>> pipe = pipe.to("cuda")

>>> prompt = "Techno music with a strong, upbeat tempo and high melodic riffs"
>>> audio = pipe(prompt, num_inference_steps=10, audio_length_in_s=5.0).audios[0]

>>> # save the audio sample as a .wav file
>>> scipy.io.wavfile.write("techno.wav", rate=16000, data=audio)

enable_model_cpu_offload

< >

( gpu_id = 0 )

使用 accelerate 将所有模型卸载到 CPU，从而减少内存使用，且对性能的影响很小。与 enable_sequential_cpu_offload 相比，此方法在调用模型的 forward 方法时，一次将整个模型移动到 GPU，并且该模型在 GPU 中保留，直到下一个模型运行。内存节省低于 enable_sequential_cpu_offload，但由于 unet 的迭代执行，性能要好得多。

< > 在 GitHub 上更新

←MultiDiffusion PAG→