Téléchargement audiolm pytorch - Téléchargement du code source audiolm pytorch

AudioLM-Pytorch

Implémentation d'AudioLM, une approche de modélisation linguistique pour la génération audio à partir de la recherche Google, dans Pytorch

Il étend également les travaux de conditionnement avec un guidage sans classificateur avec T5. Cela permet d'effectuer du texte vers audio ou du TTS, ce qui n'est pas proposé dans le journal. Oui, cela signifie que VALL-E peut être formé à partir de ce référentiel. C'est essentiellement la même chose.

Veuillez nous rejoindre si vous souhaitez reproduire ce travail à l'air libre

Ce référentiel contient désormais également une version sous licence MIT de SoundStream. Il est également compatible avec EnCodec, qui est également sous licence MIT au moment de la rédaction.

Mise à jour : AudioLM était essentiellement utilisé pour « résoudre » la génération de musique dans le nouveau MusicLM

Dans le futur, ce clip n’aurait plus aucun sens. Vous feriez simplement appel à une IA à la place.

Appréciation

Stability.ai pour son généreux parrainage en faveur du travail et de la recherche de pointe en intelligence artificielle open source
? Huggingface pour leurs incroyables bibliothèques d'accélérations et de transformateurs
MetaAI pour Fairseq et la licence libérale
@eonglints et Joseph pour avoir offert leurs conseils professionnels et leur expertise ainsi que leurs pull request !
@djqualia, @yigityu, @inspirit et @BlackFox1197 pour leur aide au débogage du flux sonore
Allen et LWprogramming pour avoir révisé le code et soumis des corrections de bugs !
Ilya pour avoir trouvé un problème avec le sous-échantillonnage du discriminateur multi-échelle et pour les améliorations apportées à l'entraîneur de flux sonore
Andrey pour avoir identifié une perte manquante dans le flux sonore et m'avoir guidé à travers les hyperparamètres appropriés du spectrogramme mel
Alejandro et Ilya pour avoir partagé leurs résultats avec le flux sonore de formation et pour avoir résolu quelques problèmes avec les intégrations de position d'attention locale
Programmation LW pour ajouter la compatibilité Encodec !
LWprogramming pour trouver un problème avec la gestion du jeton EOS lors de l'échantillonnage à partir du FineTransformer !
@YoungloLee pour avoir identifié un gros bug dans la convolution causale 1D du flux sonore lié au rembourrage ne tenant pas compte des foulées !
Hayden pour avoir souligné certaines divergences dans le discriminateur multi-échelle pour Soundstream

Installer

$ pip install audiolm-pytorch

Usage

SoundStream et encodec

Il existe deux options pour le codec neuronal. Si vous souhaitez utiliser l'Encodec 24 kHz pré-entraîné, créez simplement un objet Encodec comme suit :

 from audiolm_pytorch import EncodecWrapper
encodec = EncodecWrapper ()
# Now you can use the encodec variable in the same way you'd use the soundstream variables below.

Sinon, pour rester plus fidèle au papier original, vous pouvez utiliser SoundStream . Premièrement, SoundStream doit être formé sur un vaste corpus de données audio.

 from audiolm_pytorch import SoundStream , SoundStreamTrainer

soundstream = SoundStream (
    codebook_size = 4096 ,
    rq_num_quantizers = 8 ,
    rq_groups = 2 ,                       # this paper proposes using multi-headed residual vector quantization - https://arxiv.org/abs/2305.02765
    use_lookup_free_quantizer = True ,    # whether to use residual lookup free quantization - there are now reports of successful usage of this unpublished technique
    use_finite_scalar_quantizer = False , # whether to use residual finite scalar quantization
    attn_window_size = 128 ,              # local attention receptive field at bottleneck
    attn_depth = 2                       # 2 local attention transformer blocks - the soundstream folks were not experts with attention, so i took the liberty to add some. encodec went with lstms, but attention should be better
)

trainer = SoundStreamTrainer (
    soundstream ,
    folder = '/path/to/audio/files' ,
    batch_size = 4 ,
    grad_accum_every = 8 ,         # effective batch size of 32
    data_max_length_seconds = 2 ,  # train on 2 second audio
    num_train_steps = 1_000_000
). cuda ()

trainer . train ()

# after a lot of training, you can test the autoencoding as so

soundstream . eval () # your soundstream must be in eval mode, to avoid having the residual dropout of the residual VQ necessary for training

audio = torch . randn ( 10080 ). cuda ()
recons = soundstream ( audio , return_recons_only = True ) # (1, 10080) - 1 channel

Votre SoundStream formé peut ensuite être utilisé comme tokenizer générique pour l'audio.

 audio = torch . randn ( 1 , 512 * 320 )

codes = soundstream . tokenize ( audio )

# you can now train anything with the codebook ids

recon_audio_from_codes = soundstream . decode_from_codebook_indices ( codes )

# sanity check

assert torch . allclose (
    recon_audio_from_codes ,
    soundstream ( audio , return_recons_only = True )
)

Vous pouvez également utiliser des flux sonores spécifiques à AudioLM et MusicLM en important respectivement AudioLMSoundStream et MusicLMSoundStream

 from audiolm_pytorch import AudioLMSoundStream , MusicLMSoundStream

soundstream = AudioLMSoundStream (...) # say you want the hyperparameters as in Audio LM paper

# rest is the same as above

Depuis la version 0.17.0 , vous pouvez désormais appeler la méthode de classe sur SoundStream pour charger à partir de fichiers de point de contrôle, sans avoir à mémoriser vos configurations.

 from audiolm_pytorch import SoundStream

soundstream = SoundStream . init_and_load_from ( './path/to/checkpoint.pt' )

Pour utiliser le suivi des poids et des biais, définissez d'abord use_wandb_tracking = True sur le SoundStreamTrainer , puis procédez comme suit

 trainer = SoundStreamTrainer (
    soundstream ,
    ...,
    use_wandb_tracking = True
)

# wrap .train() with contextmanager, specifying project and run name

with trainer . wandb_tracker ( project = 'soundstream' , run = 'baseline' ):
    trainer . train ()

Transformateurs hiérarchiques

Ensuite, trois transformateurs distincts ( SemanticTransformer , CoarseTransformer , FineTransformer ) doivent être formés

ex. SemanticTransformer

 import torch
from audiolm_pytorch import HubertWithKmeans , SemanticTransformer , SemanticTransformerTrainer

# hubert checkpoints can be downloaded at
# https://github.com/facebookresearch/fairseq/tree/main/examples/hubert

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 ,
    flash_attn = True
). cuda ()


trainer = SemanticTransformerTrainer (
    transformer = semantic_transformer ,
    wav2vec = wav2vec ,
    folder = '/path/to/audio/files' ,
    batch_size = 1 ,
    data_max_length = 320 * 32 ,
    num_train_steps = 1
)

trainer . train ()

ex. CoarseTransformer

 import torch
from audiolm_pytorch import HubertWithKmeans , SoundStream , CoarseTransformer , CoarseTransformerTrainer

wav2vec = HubertWithKmeans (
    checkpoint_path = './hubert/hubert_base_ls960.pt' ,
    kmeans_path = './hubert/hubert_base_ls960_L9_km500.bin'
)

soundstream = SoundStream . init_and_load_from ( '/path/to/trained/soundstream.pt' )

coarse_transformer = CoarseTransformer (
    num_semantic_tokens = wav2vec . codebook_size ,
    codebook_size = 1024 ,
    num_coarse_quantizers = 3 ,
    dim = 512 ,
    depth = 6 ,
    flash_attn = True
)

trainer = CoarseTransformerTrainer (
    transformer = coarse_transformer ,
    codec = soundstream ,
    wav2vec = wav2vec ,
    folder = '/path/to/audio/files' ,
    batch_size = 1 ,
    data_max_length = 320 * 32 ,
    num_train_steps = 1_000_000
)

trainer . train ()

ex. FineTransformer

 import torch
from audiolm_pytorch import SoundStream , FineTransformer , FineTransformerTrainer

soundstream = SoundStream . init_and_load_from ( '/path/to/trained/soundstream.pt' )

fine_transformer = FineTransformer (
    num_coarse_quantizers = 3 ,
    num_fine_quantizers = 5 ,
    codebook_size = 1024 ,
    dim = 512 ,
    depth = 6 ,
    flash_attn = True
)

trainer = FineTransformerTrainer (
    transformer = fine_transformer ,
    codec = soundstream ,
    folder = '/path/to/audio/files' ,
    batch_size = 1 ,
    data_max_length = 320 * 32 ,
    num_train_steps = 1_000_000
)

trainer . train ()

Tous ensemble maintenant

 from audiolm_pytorch import AudioLM

audiolm = AudioLM (
    wav2vec = wav2vec ,
    codec = soundstream ,
    semantic_transformer = semantic_transformer ,
    coarse_transformer = coarse_transformer ,
    fine_transformer = fine_transformer
)

generated_wav = audiolm ( batch_size = 1 )

# or with priming

generated_wav_with_prime = audiolm ( prime_wave = torch . randn ( 1 , 320 * 8 ))

# or with text condition, if given

generated_wav_with_text_condition = audiolm ( text = [ 'chirping of birds and the distant echos of bells' ])

Synthèse audio conditionnée par du texte

Mise à jour : on dirait que cela fonctionnera, étant donné « VALL-E »

ex. Transformateur sémantique

 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 = 500 ,
    dim = 1024 ,
    depth = 6 ,
    has_condition = True ,               # this will have to be set to True
    cond_as_self_attn_prefix = True     # whether to condition as prefix to self attention, instead of cross attention, as was done in 'VALL-E' paper
). cuda ()

# mock text audio dataset (as an example)

# you will have to extend your own from `Dataset`, and return an audio tensor as well as a string (the audio description) in any order (the framework will autodetect and route it into the transformer)

from torch . utils . data import Dataset

class MockTextAudioDataset ( Dataset ):
    def __init__ ( self , length = 100 , audio_length = 320 * 32 ):
        super (). __init__ ()
        self . audio_length = audio_length
        self . len = length

    def __len__ ( self ):
        return self . len

    def __getitem__ ( self , idx ):
        mock_audio = torch . randn ( self . audio_length )
        mock_caption = 'audio caption'
        return mock_caption , mock_audio

dataset = MockTextAudioDataset ()

# instantiate semantic transformer trainer and train

trainer = SemanticTransformerTrainer (
    transformer = semantic_transformer ,
    wav2vec = wav2vec ,
    dataset = dataset ,
    batch_size = 4 ,
    grad_accum_every = 8 ,
    data_max_length = 320 * 32 ,
    num_train_steps = 1_000_000
)

trainer . train ()

# after much training above

sample = trainer . generate ( text = [ 'sound of rain drops on the rooftops' ], batch_size = 1 , max_length = 2 ) # (1, < 128) - may terminate early if it detects [eos]

Multi-GPU

Parce que toutes les classes de formateurs utilisent ? Accélérateur, vous pouvez facilement effectuer une formation multi-GPU en utilisant la commande accelerate ainsi

A la racine du projet

$ accelerate config

Puis, dans le même répertoire

$ accelerate launch train . py

Faire

Citations

 @inproceedings { Borsos2022AudioLMAL ,
  title  = { AudioLM: a Language Modeling Approach to Audio Generation } ,
  author = { Zal{'a}n Borsos and Rapha{"e}l Marinier and Damien Vincent and Eugene Kharitonov and Olivier Pietquin and Matthew Sharifi and Olivier Teboul and David Grangier and Marco Tagliasacchi and Neil Zeghidour } ,
  year   = { 2022 }
}

 @misc { https://doi.org/10.48550/arxiv.2107.03312 ,
  title  = { SoundStream: An End-to-End Neural Audio Codec } ,
  author = { Zeghidour, Neil and Luebs, Alejandro and Omran, Ahmed and Skoglund, Jan and Tagliasacchi, Marco } ,
  publisher = { arXiv } ,
  url    = { https://arxiv.org/abs/2107.03312 } ,
  year   = { 2021 }
}

 @misc { shazeer2020glu ,
    title   = { GLU Variants Improve Transformer } ,
    author  = { Noam Shazeer } ,
    year    = { 2020 } ,
    url     = { https://arxiv.org/abs/2002.05202 }
}

 @article { Shazeer2019FastTD ,
    title   = { Fast Transformer Decoding: One Write-Head is All You Need } ,
    author  = { Noam M. Shazeer } ,
    journal = { ArXiv } ,
    year    = { 2019 } ,
    volume  = { abs/1911.02150 }
}

 @article { Ho2022ClassifierFreeDG ,
    title   = { Classifier-Free Diffusion Guidance } ,
    author  = { Jonathan Ho } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2207.12598 }
}

 @misc { crowson2022 ,
    author  = { Katherine Crowson } ,
    url     = { https://twitter.com/rivershavewings }
}

 @misc { ding2021cogview ,
    title   = { CogView: Mastering Text-to-Image Generation via Transformers } ,
    author  = { Ming Ding and Zhuoyi Yang and Wenyi Hong and Wendi Zheng and Chang Zhou and Da Yin and Junyang Lin and Xu Zou and Zhou Shao and Hongxia Yang and Jie Tang } ,
    year    = { 2021 } ,
    eprint  = { 2105.13290 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}

 @article { Liu2022FCMFC ,
    title   = { FCM: Forgetful Causal Masking Makes Causal Language Models Better Zero-Shot Learners } ,
    author  = { Hao Liu and Xinyang Geng and Lisa Lee and Igor Mordatch and Sergey Levine and Sharan Narang and P. Abbeel } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2210.13432 }
}

 @inproceedings { anonymous2022normformer ,
    title   = { NormFormer: Improved Transformer Pretraining with Extra Normalization } ,
    author  = { Anonymous } ,
    booktitle = { Submitted to The Tenth International Conference on Learning Representations } ,
    year    = { 2022 } ,
    url     = { https://openreview.net/forum?id=GMYWzWztDx5 } ,
    note    = { under review }
}

 @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 }
}

 @article { Li2021LocalViTBL ,
    title   = { LocalViT: Bringing Locality to Vision Transformers } ,
    author  = { Yawei Li and K. Zhang and Jie Cao and Radu Timofte and Luc Van Gool } ,
    journal = { ArXiv } ,
    year    = { 2021 } ,
    volume  = { abs/2104.05707 }
}

 @article { Defossez2022HighFN ,
    title   = { High Fidelity Neural Audio Compression } ,
    author  = { Alexandre D'efossez and Jade Copet and Gabriel Synnaeve and Yossi Adi } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2210.13438 }
}

 @article { Hu2017SqueezeandExcitationN ,
    title   = { Squeeze-and-Excitation Networks } ,
    author  = { Jie Hu and Li Shen and Gang Sun } ,
    journal = { 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition } ,
    year    = { 2017 } ,
    pages   = { 7132-7141 }
}

 @inproceedings { Yang2023HiFiCodecGV ,
    title   = { HiFi-Codec: Group-residual Vector quantization for High Fidelity Audio Codec } ,
    author  = { Dongchao Yang and Songxiang Liu and Rongjie Huang and Jinchuan Tian and Chao Weng and Yuexian Zou } ,
    year    = { 2023 }
}

 @article { Kazemnejad2023TheIO ,
    title   = { The Impact of Positional Encoding on Length Generalization in Transformers } ,
    author  = { Amirhossein Kazemnejad and Inkit Padhi and Karthikeyan Natesan Ramamurthy and Payel Das and Siva Reddy } ,
    journal = { ArXiv } ,
    year    = { 2023 } ,
    volume  = { abs/2305.19466 }
}

 @inproceedings { dao2022flashattention ,
    title   = { Flash{A}ttention: Fast and Memory-Efficient Exact Attention with {IO}-Awareness } ,
    author  = { Dao, Tri and Fu, Daniel Y. and Ermon, Stefano and Rudra, Atri and R{'e}, Christopher } ,
    booktitle = { Advances in Neural Information Processing Systems } ,
    year    = { 2022 }
}

 @misc { yu2023language ,
    title   = { Language Model Beats Diffusion -- Tokenizer is Key to Visual Generation } ,
    author  = { Lijun Yu and José Lezama and Nitesh B. Gundavarapu and Luca Versari and Kihyuk Sohn and David Minnen and Yong Cheng and Agrim Gupta and Xiuye Gu and Alexander G. Hauptmann and Boqing Gong and Ming-Hsuan Yang and Irfan Essa and David A. Ross and Lu Jiang } ,
    year    = { 2023 } ,
    eprint  = { 2310.05737 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}

 @inproceedings { Katsch2023GateLoopFD ,
    title   = { GateLoop: Fully Data-Controlled Linear Recurrence for Sequence Modeling } ,
    author  = { Tobias Katsch } ,
    year    = { 2023 } ,
    url     = { https://api.semanticscholar.org/CorpusID:265018962 }
}

 @article { Fifty2024Restructuring ,
    title   = { Restructuring Vector Quantization with the Rotation Trick } ,
    author  = { Christopher Fifty, Ronald G. Junkins, Dennis Duan, Aniketh Iyengar, Jerry W. Liu, Ehsan Amid, Sebastian Thrun, Christopher Ré } ,
    journal = { ArXiv } ,
    year    = { 2024 } ,
    volume  = { abs/2410.06424 } ,
    url     = { https://api.semanticscholar.org/CorpusID:273229218 }
}

 @inproceedings { Zhou2024ValueRL ,
    title   = { Value Residual Learning For Alleviating Attention Concentration In Transformers } ,
    author  = { Zhanchao Zhou and Tianyi Wu and Zhiyun Jiang and Zhenzhong Lan } ,
    year    = { 2024 } ,
    url     = { https://api.semanticscholar.org/CorpusID:273532030 }
}