audiolm pytorchダウンロード - audiolm pytorchソースコードのダウンロード

AudioLM - Pytorch

Google Research からのオーディオ生成に対する言語モデリングアプローチである AudioLM の Pytorch への実装

また、T5 による分類子なしのガイダンスによる調整作業も拡張されます。これにより、論文では提供されていないテキストからオーディオへの変換や TTS を行うことができます。はい、これは VALL-E がこのリポジトリからトレーニングできることを意味します。本質的には同じです。

この作品を公開で再現することに興味がある場合は、参加してください

このリポジトリには、SoundStream の MIT ライセンス版も含まれるようになりました。また、EnCodec とも互換性があり、この記事の執筆時点では MIT ライセンスを取得しています。

更新: AudioLM は基本的に、新しい MusicLM での音楽生成を「解決」するために使用されました

将来的には、このムービークリップは意味を成さなくなるでしょう。代わりに AI にプロンプトを表示するだけです。

感謝

Stability.ai は、最先端の人工知能研究をオープンソースで行うための寛大なスポンサーシップを提供しています
?素晴らしいアクセラレータとトランスフォーマーのライブラリに対するハグフェイス
MetaAI for Fairseq とリベラルライセンス
@eonglints と Joseph、専門的なアドバイスや専門知識、プルリクエストを提供してくれました。
サウンドストリームのデバッグを手伝ってくれた @djqualia、@yigityu、@inspirit、および @BlackFox1197
コードをレビューし、バグ修正を提出してくれた Allen と LWprogramming!
Ilya さん、マルチスケール弁別器のダウンサンプリングに関する問題の発見とサウンドストリームトレーナーの改善について感謝します
Andrey はサウンドストリームの損失を特定し、適切なメルスペクトログラムのハイパーパラメータを教えてくれました。
Alejandro と Ilya は、トレーニングサウンドストリームで結果を共有し、ローカルアテンションの位置埋め込みに関するいくつかの問題に取り組んでくれました。
エンコーデック互換性を追加するための LWプログラミング!
FineTransformerからサンプリングする際の EOS トークンの処理に関する問題を見つけるための LWprogramming !
@YoungloLee は、ストライドを考慮しないパディングに関連するサウンドストリームの 1D 因果畳み込みの大きなバグを特定してくれました。
Hayden 氏、Soundstream のマルチスケール弁別器のいくつかの矛盾を指摘してくれました

インストール

$ pip install audiolm-pytorch

使用法

サウンドストリームとエンコーデック

ニューラルコーデックには 2 つのオプションがあります。事前トレーニングされた 24kHz エンコーデックを使用する場合は、次のように Encodec オブジェクトを作成するだけです。

 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.

それ以外の場合は、元の論文により忠実に保つために、 SoundStream使用できます。まず、 SoundStream音声データの大規模なコーパスでトレーニングする必要があります。

 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= True ,    # whether to use residual lookup free quantization - there are now reports of successful usage of this unpublished technique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

トレーニングされたSoundStream 、オーディオの汎用トークナイザーとして使用できます。

 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 )
)

AudioLMSoundStreamとMusicLMSoundStreamそれぞれインポートすることで、 AudioLMとMusicLMに固有のサウンドストリームを使用することもできます。

 from audiolm_pytorch import AudioLMSoundStream , MusicLMSoundStream

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

# rest is the same as above

バージョン0.17.0では、構成を覚えていなくても、 SoundStreamのクラスメソッドを呼び出してチェックポイントファイルからロードできるようになりました。

 from audiolm_pytorch import SoundStream

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

ウェイトとバイアスのトラッキングを使用するには、まずSoundStreamTrainerでuse_wandb_tracking = Trueを設定し、次に次の操作を実行します。

 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 ()

階層型トランスフォーマー

次に、3 つの個別のトランスフォーマー ( SemanticTransformer 、 CoarseTransformer 、 FineTransformer ) をトレーニングする必要があります。

元。 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 ()

元。 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 ()

元。 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 ()

今すぐみんな一緒に

 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' ])

テキスト条件付きオーディオ合成

更新: 「VALL-E」を考慮すると、これは機能するようです

元。セマンティックトランスフォーマー

 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]

マルチGPU

すべてのトレーナークラスが ? を使用しているためです。アクセラレータでは、 accelerateコマンドを使用してマルチ GPU トレーニングを簡単に実行できます。

プロジェクトのルートで

$ accelerate config

次に、同じディレクトリ内に

$ accelerate launch train . py

藤堂

引用

 @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 }
}