TempoTokens
1.0.0
Этот репозиторий содержит официальную реализацию PyTorch разнообразной и согласованной генерации аудио-видео посредством адаптации модели текста-видео.
Мы рассматриваем задачу создания разнообразных и реалистичных видеороликов на основе естественных аудиосэмплов из самых разных семантических классов. Для этой задачи видео должно быть выровнено как глобально, так и по времени с входным аудио: глобально входное аудио семантически связано со всем выходным видео, а во времени каждый сегмент входного аудио связан с соответствующим сегментом это видео. Мы используем существующую модель генерации видео с преобразованием текста и предварительно обученную модель аудиокодировщика. Предлагаемый метод основан на облегченной сети адаптеров, которая учится сопоставлять аудиопредставление с входным представлением, ожидаемым моделью преобразования текста в видео. Таким образом, он также позволяет генерировать видео на основе текста, аудио и, насколько мы можем установить, как текста, так и аудио. Мы тщательно проверяем наш метод на трех наборах данных, демонстрирующих значительное семантическое разнообразие образцов аудио-видео, а также предлагаем новую метрику оценки (AV-Align) для оценки согласованности сгенерированных видео с входными образцами аудио. AV-Align основан на обнаружении и сравнении пиков энергии в обоих режимах. По сравнению с недавними современными подходами наш метод генерирует видео, которые лучше соответствуют входному звуку как по содержанию, так и по временной оси. Мы также показываем, что видео, созданные нашим методом, имеют более высокое визуальное качество и более разнообразны.
git clone [email protected]:guyyariv/TempoTokens.git cd TempoTokens pip install -r requirements.txt
И инициализируйте среду Accelerate с помощью:
accelerate configЗагрузите предварительно обученную модель BEATs
mkdir -p models/BEATs/ && wget -P models/BEATs/ -O "models/BEATs/BEATs_iter3_plus_AS2M_finetuned_on_AS2M_cpt2.pt" "https://valle.blob.core.windows.net/share/BEATs/BEATs_iter3_plus_AS2M_finetuned_on_AS2M_cpt2.pt?sv=2020-08-04&st=2023-03-01T07%3A51%3A05Z&se=2033-03-02T07%3A51%3A00Z&sr=c&sp=rl&sig=QJXmSJG9DbMKf48UDIU1MfzIro8HQOf3sqlNXiflY1I%3D"
Выполните соответствующую команду для каждого набора данных, на котором мы обучались, включая VGGSound, Landscape и AudioSet-Drum.
accelerate launch train.py --config configs/v2/vggsound.yamlaccelerate launch train.py --config configs/v2/landscape.yamlaccelerate launch train.py --config configs/v2/audioset_drum.yamlМы настоятельно рекомендуем просмотреть файлы конфигурации и настроить параметры в соответствии со своими предпочтениями.
Получите предварительно обученные веса для трех наборов данных, на которых мы проводили обучение, перейдя по следующей ссылке: https://drive.google.com/drive/folders/10pRWoq0m5torvMXILmIQd7j9fLPEeHtS. Мы советуем вам сохранить папки в каталоге с именем «models/». "
Скрипт inference.py служит для создания видео с использованием обученных контрольных точек. После того как вы завершили обучение модели с помощью предоставленной команды (или выбрали наши предварительно обученные модели), вы можете легко создавать видео из наборов данных, которые мы использовали для обучения, таких как VGGSound, Landscape и AudioSet-Drum.
accelerate launch inference.py --mapper_weights models/vggsound/learned_embeds.pth --testset vggsoundaccelerate launch inference.py --mapper_weights models/landscape/learned_embeds.pth --testset landscapeaccelerate launch inference.py --mapper_weights models/audioset_drum/learned_embeds.pth --testset audioset_drumБолее того, у вас есть возможность создавать видео из собственного аудио, как показано ниже:
accelerate launch inference.py --mapper_weights models/vggsound/learned_embeds.pth --audio_path /audio/path> python inference.py --help usage: inference.py [-h] -m MODEL -p PROMPT [-n NEGATIVE_PROMPT] [-o OUTPUT_DIR] [-B BATCH_SIZE] [-W WIDTH] [-H HEIGHT] [-T NUM_FRAMES] [-WS WINDOW_SIZE] [-VB VAE_BATCH_SIZE] [-s NUM_STEPS] [-g GUIDANCE_SCALE] [-i INIT_VIDEO] [-iw INIT_WEIGHT] [-f FPS] [-d DEVICE] [-x] [-S] [-lP LORA_PATH] [-lR LORA_RANK] [-rw] options: -h, --help show this help message and exit -m MODEL, --model MODEL HuggingFace repository or path to model checkpoint directory -p PROMPT, --prompt PROMPT Text prompt to condition on -n NEGATIVE_PROMPT, --negative-prompt NEGATIVE_PROMPT Text prompt to condition against -o OUTPUT_DIR, --output-dir OUTPUT_DIR Directory to save output video to -B BATCH_SIZE, --batch-size BATCH_SIZE Batch size for inference -W WIDTH, --width WIDTH Width of output video -H HEIGHT, --height HEIGHT Height of output video -T NUM_FRAMES, --num-frames NUM_FRAMES Total number of frames to generate -WS WINDOW_SIZE, --window-size WINDOW_SIZE Number of frames to process at once (defaults to full sequence). When less than num_frames, a round robin diffusion process is used to denoise the full sequence iteratively one window at a time. Must be divide num_frames exactly! -VB VAE_BATCH_SIZE, --vae-batch-size VAE_BATCH_SIZE Batch size for VAE encoding/decoding to/from latents (higher values = faster inference, but more memory usage). -s NUM_STEPS, --num-steps NUM_STEPS Number of diffusion steps to run per frame. -g GUIDANCE_SCALE, --guidance-scale GUIDANCE_SCALE Scale for guidance loss (higher values = more guidance, but possibly more artifacts). -i INIT_VIDEO, --init-video INIT_VIDEO Path to video to initialize diffusion from (will be resized to the specified num_frames, height, and width). -iw INIT_WEIGHT, --init-weight INIT_WEIGHT Strength of visual effect of init_video on the output (lower values adhere more closely to the text prompt, but have a less recognizable init_video). -f FPS, --fps FPS FPS of output video -d DEVICE, --device DEVICE Device to run inference on (defaults to cuda). -x, --xformers Use XFormers attnetion, a memory-efficient attention implementation (requires `pip install xformers`). -S, --sdp Use SDP attention, PyTorch's built-in memory-efficient attention implementation. -lP LORA_PATH, --lora_path LORA_PATH Path to Low Rank Adaptation checkpoint file (defaults to empty string, which uses no LoRA). -lR LORA_RANK, --lora_rank LORA_RANK Size of the LoRA checkpoint's projection matrix (defaults to 64). -rw, --remove-watermark Post-process the videos with LAMA to inpaint ModelScope's common watermarks.
Наш код частично основан на тонкой настройке преобразования текста в видео.
Если вы используете нашу работу в своих исследованиях, пожалуйста, дайте ссылку на следующую статью:
@misc{yariv2023diverse,
title={Diverse and Aligned Audio-to-Video Generation via Text-to-Video Model Adaptation},
author={Guy Yariv and Itai Gat and Sagie Benaim and Lior Wolf and Idan Schwartz and Yossi Adi},
year={2023},
eprint={2309.16429},
archivePrefix={arXiv},
primaryClass={cs.LG}
}Этот репозиторий выпущен под лицензией MIT, как указано в файле LICENSE.
