Генерация аудио с AudioCraft

AudioCraft: MusicGen (текст в музыку), AudioGen (текст в звук).

Метаданные навыка

Справочник: полный SKILL.md

AudioCraft: генерация аудио

Руководство по AudioCraft от Meta: генерация музыки и звука из текста с помощью MusicGen, AudioGen и EnCodec.

Когда использовать AudioCraft

Используйте AudioCraft, когда:

• нужно сгенерировать музыку по текстовому описанию;
• создаёте звуковые эффекты и окружающее аудио;
• строите приложения для генерации музыки;
• нужна генерация музыки с привязкой к мелодии;
• хотите получить стереозвук на выходе;
• требуется управляемая генерация музыки с переносом стиля.

Основные возможности:

• MusicGen: генерация музыки из текста с привязкой к мелодии;
• AudioGen: генерация звуковых эффектов из текста;
• EnCodec: нейросетевой аудиокодек высокой точности;
• Несколько размеров моделей: от Small (300M) до Large (3.3B);
• Поддержка стерео: полноценная генерация стереозвука;
• Привязка к стилю: MusicGen-Style для генерации по образцу.

Когда выбрать альтернативу:

• Stable Audio: для генерации более длинной коммерческой музыки;
• Bark: для синтеза речи с музыкой и звуковыми эффектами;
• Riffusion: для генерации музыки на основе спектрограмм;
• OpenAI Jukebox: для генерации сырого аудио с вокалом.

Быстрый старт

Установка

# From PyPI
pip install audiocraft

# From GitHub (latest)
pip install git+https://github.com/facebookresearch/audiocraft.git

# Or use HuggingFace Transformers
pip install transformers torch torchaudio

Базовая генерация музыки из текста (AudioCraft)

import torchaudio
from audiocraft.models import MusicGen

# Загрузка модели
model = MusicGen.get_pretrained('facebook/musicgen-small')

# Параметры генерации
model.set_generation_params(
    duration=8,  # секунды
    top_k=250,
    temperature=1.0
)

# Генерация по тексту
descriptions = ["happy upbeat electronic dance music with synths"]
wav = model.generate(descriptions)

# Сохранение аудио
torchaudio.save("output.wav", wav[0].cpu(), sample_rate=32000)

Через HuggingFace Transformers

from transformers import AutoProcessor, MusicgenForConditionalGeneration
import scipy

# Загрузка модели и процессора
processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")
model.to("cuda")

# Генерация музыки
inputs = processor(
    text=["80s pop track with bassy drums and synth"],
    padding=True,
    return_tensors="pt"
).to("cuda")

audio_values = model.generate(
    **inputs,
    do_sample=True,
    guidance_scale=3,
    max_new_tokens=256
)

# Сохранение
sampling_rate = model.config.audio_encoder.sampling_rate
scipy.io.wavfile.write("output.wav", rate=sampling_rate, data=audio_values[0, 0].cpu().numpy())

Текст в звук через AudioGen

from audiocraft.models import AudioGen

# Загрузка AudioGen
model = AudioGen.get_pretrained('facebook/audiogen-medium')

model.set_generation_params(duration=5)

# Генерация звуковых эффектов
descriptions = ["dog barking in a park with birds chirping"]
wav = model.generate(descriptions)

torchaudio.save("sound.wav", wav[0].cpu(), sample_rate=16000)

Основные понятия

Обзор архитектуры

AudioCraft Architecture:
┌──────────────────────────────────────────────────────────────┐
│                    Text Encoder (T5)                          │
│                         │                                     │
│                    Text Embeddings                            │
└────────────────────────┬─────────────────────────────────────┘
                         │
┌────────────────────────▼─────────────────────────────────────┐
│              Transformer Decoder (LM)                         │
│     Auto-regressively generates audio tokens                  │
│     Using efficient token interleaving patterns               │
└────────────────────────┬─────────────────────────────────────┘
                         │
┌────────────────────────▼─────────────────────────────────────┐
│                EnCodec Audio Decoder                          │
│        Converts tokens back to audio waveform                 │
└──────────────────────────────────────────────────────────────┘

Варианты моделей

Параметры генерации

Работа с MusicGen

Генерация музыки из текста

from audiocraft.models import MusicGen
import torchaudio

model = MusicGen.get_pretrained('facebook/musicgen-medium')

# Настройка параметров
model.set_generation_params(
    duration=30,          # До 30 секунд
    top_k=250,            # Разнообразие сэмплирования
    top_p=0.0,            # 0 = использовать только top_k
    temperature=1.0,      # Творчество (выше = больше вариативности)
    cfg_coef=3.0          # Следование тексту (выше = строже)
)

# Генерация нескольких вариантов
descriptions = [
    "epic orchestral soundtrack with strings and brass",
    "chill lo-fi hip hop beat with jazzy piano",
    "energetic rock song with electric guitar"
]

# Генерация (возвращает [batch, channels, samples])
wav = model.generate(descriptions)

# Сохранение каждого
for i, audio in enumerate(wav):
    torchaudio.save(f"music_{i}.wav", audio.cpu(), sample_rate=32000)

Генерация с привязкой к мелодии

from audiocraft.models import MusicGen
import torchaudio

# Загрузка модели с поддержкой мелодии
model = MusicGen.get_pretrained('facebook/musicgen-melody')
model.set_generation_params(duration=30)

# Загрузка аудио-мелодии
melody, sr = torchaudio.load("melody.wav")

# Генерация с мелодическим кондиционированием
descriptions = ["acoustic guitar folk song"]
wav = model.generate_with_chroma(descriptions, melody, sr)

torchaudio.save("melody_conditioned.wav", wav[0].cpu(), sample_rate=32000)

Генерация стерео

from audiocraft.models import MusicGen

# Загрузка стерео-модели
model = MusicGen.get_pretrained('facebook/musicgen-stereo-medium')
model.set_generation_params(duration=15)

descriptions = ["ambient electronic music with wide stereo panning"]
wav = model.generate(descriptions)

# Форма wav: [batch, 2, samples] для стерео
print(f"Stereo shape: {wav.shape}")  # [1, 2, 480000]
torchaudio.save("stereo.wav", wav[0].cpu(), sample_rate=32000)

Продолжение аудио

from transformers import AutoProcessor, MusicgenForConditionalGeneration

processor = AutoProcessor.from_pretrained("facebook/musicgen-medium")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-medium")

# Загрузка аудио для продолжения
import torchaudio
audio, sr = torchaudio.load("intro.wav")

# Обработка текста и аудио
inputs = processor(
    audio=audio.squeeze().numpy(),
    sampling_rate=sr,
    text=["continue with a epic chorus"],
    padding=True,
    return_tensors="pt"
)

# Генерация продолжения
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=512)

Работа с MusicGen-Style

Генерация с привязкой к стилю

from audiocraft.models import MusicGen

# Загрузка style-модели
model = MusicGen.get_pretrained('facebook/musicgen-style')

# Настройка параметров со стилем
model.set_generation_params(
    duration=30,
    cfg_coef=3.0,
    cfg_coef_beta=5.0  # Влияние стиля
)

# Настройка кондиционера стиля
model.set_style_conditioner_params(
    eval_q=3,          # RVQ квантизаторы (1–6)
    excerpt_length=3.0  # Длина стилевого фрагмента
)

# Загрузка референсного аудио
style_audio, sr = torchaudio.load("reference_style.wav")

# Генерация по тексту + стилю
descriptions = ["upbeat dance track"]
wav = model.generate_with_style(descriptions, style_audio, sr)

Генерация только по стилю (без текста)

# Генерация, соответствующая стилю, без текстового промпта
model.set_generation_params(
    duration=30,
    cfg_coef=3.0,
    cfg_coef_beta=None  # Отключить double CFG для режима только-стиль
)

wav = model.generate_with_style([None], style_audio, sr)

Работа с AudioGen

Генерация звуковых эффектов

from audiocraft.models import AudioGen
import torchaudio

model = AudioGen.get_pretrained('facebook/audiogen-medium')
model.set_generation_params(duration=10)

# Генерация различных звуков
descriptions = [
    "thunderstorm with heavy rain and lightning",
    "busy city traffic with car horns",
    "ocean waves crashing on rocks",
    "crackling campfire in forest"
]

wav = model.generate(descriptions)

for i, audio in enumerate(wav):
    torchaudio.save(f"sound_{i}.wav", audio.cpu(), sample_rate=16000)

Работа с EnCodec

Сжатие аудио

from audiocraft.models import CompressionModel
import torch
import torchaudio

# Загрузка EnCodec
model = CompressionModel.get_pretrained('facebook/encodec_32khz')

# Загрузка аудио
wav, sr = torchaudio.load("audio.wav")

# Приведение к нужной частоте дискретизации
if sr != 32000:
    resampler = torchaudio.transforms.Resample(sr, 32000)
    wav = resampler(wav)

# Кодирование в токены
with torch.no_grad():
    encoded = model.encode(wav.unsqueeze(0))
    codes = encoded[0]  # Аудио-коды

# Декодирование обратно в аудио
with torch.no_grad():
    decoded = model.decode(codes)

torchaudio.save("reconstructed.wav", decoded[0].cpu(), sample_rate=32000)

Типовые рабочие процессы

Рабочий процесс 1: конвейер генерации музыки

import torch
import torchaudio
from audiocraft.models import MusicGen

class MusicGenerator:
    def __init__(self, model_name="facebook/musicgen-medium"):
        self.model = MusicGen.get_pretrained(model_name)
        self.sample_rate = 32000

    def generate(self, prompt, duration=30, temperature=1.0, cfg=3.0):
        self.model.set_generation_params(
            duration=duration,
            top_k=250,
            temperature=temperature,
            cfg_coef=cfg
        )

        with torch.no_grad():
            wav = self.model.generate([prompt])

        return wav[0].cpu()

    def generate_batch(self, prompts, duration=30):
        self.model.set_generation_params(duration=duration)

        with torch.no_grad():
            wav = self.model.generate(prompts)

        return wav.cpu()

    def save(self, audio, path):
        torchaudio.save(path, audio, sample_rate=self.sample_rate)

# Использование
generator = MusicGenerator()
audio = generator.generate(
    "epic cinematic orchestral music",
    duration=30,
    temperature=1.0
)
generator.save(audio, "epic_music.wav")

Рабочий процесс 2: пакетная обработка для саунд-дизайна

import json
from pathlib import Path
from audiocraft.models import AudioGen
import torchaudio

def batch_generate_sounds(sound_specs, output_dir):
    """
    Генерация набора звуков по спецификациям.

    Args:
        sound_specs: список {"name": str, "description": str, "duration": float}
        output_dir: путь к директории вывода
    """
    model = AudioGen.get_pretrained('facebook/audiogen-medium')
    output_dir = Path(output_dir)
    output_dir.mkdir(exist_ok=True)

    results = []

    for spec in sound_specs:
        model.set_generation_params(duration=spec.get("duration", 5))

        wav = model.generate([spec["description"]])

        output_path = output_dir / f"{spec['name']}.wav"
        torchaudio.save(str(output_path), wav[0].cpu(), sample_rate=16000)

        results.append({
            "name": spec["name"],
            "path": str(output_path),
            "description": spec["description"]
        })

    return results

# Использование
sounds = [
    {"name": "explosion", "description": "massive explosion with debris", "duration": 3},
    {"name": "footsteps", "description": "footsteps on wooden floor", "duration": 5},
    {"name": "door", "description": "wooden door creaking and closing", "duration": 2}
]

results = batch_generate_sounds(sounds, "sound_effects/")

Рабочий процесс 3: демо на Gradio

import gradio as gr
import torch
import torchaudio
from audiocraft.models import MusicGen

model = MusicGen.get_pretrained('facebook/musicgen-small')

def generate_music(prompt, duration, temperature, cfg_coef):
    model.set_generation_params(
        duration=duration,
        temperature=temperature,
        cfg_coef=cfg_coef
    )

    with torch.no_grad():
        wav = model.generate([prompt])

    # Сохранение во временный файл
    path = "temp_output.wav"
    torchaudio.save(path, wav[0].cpu(), sample_rate=32000)
    return path

demo = gr.Interface(
    fn=generate_music,
    inputs=[
        gr.Textbox(label="Music Description", placeholder="upbeat electronic dance music"),
        gr.Slider(1, 30, value=8, label="Duration (seconds)"),
        gr.Slider(0.5, 2.0, value=1.0, label="Temperature"),
        gr.Slider(1.0, 10.0, value=3.0, label="CFG Coefficient")
    ],
    outputs=gr.Audio(label="Generated Music"),
    title="MusicGen Demo"
)

demo.launch()

Оптимизация производительности

Оптимизация памяти

# Меньшая модель
model = MusicGen.get_pretrained('facebook/musicgen-small')

# Очистка кэша между генерациями
torch.cuda.empty_cache()

# Более короткие фрагменты
model.set_generation_params(duration=10)  # Вместо 30

# Половинная точность
model = model.half()

Эффективность пакетной обработки

# Несколько промптов за раз — эффективнее
descriptions = ["prompt1", "prompt2", "prompt3", "prompt4"]
wav = model.generate(descriptions)  # Один батч

# Вместо
for desc in descriptions:
    wav = model.generate([desc])  # Несколько батчей — медленнее

Требования к памяти GPU

Частые проблемы

Ссылки

• Расширенное использование — обучение, дообучение, развёртывание
• Устранение неполадок — частые проблемы и их решения

Ресурсы

• GitHub: https://github.com/facebookresearch/audiocraft
• Статья (MusicGen): https://arxiv.org/abs/2306.05284
• Статья (AudioGen): https://arxiv.org/abs/2209.15352
• HuggingFace: https://huggingface.co/facebook/musicgen-small
• Демо: https://huggingface.co/spaces/facebook/MusicGen