TempoTokens下载 - TempoTokens源代码下载

TempoTokens

Ai源码

1.0.0

下载

通过文本到视频模型适应生成多样化且一致的音频到视频

该存储库包含通过文本到视频模型适应实现多样化和对齐的音频到视频生成的官方 PyTorch 实现

音频转视频.mp4

抽象的

我们考虑的任务是在来自各种语义类别的自然音频样本的指导下生成多样化且真实的视频。对于此任务，视频需要在全局和时间上与输入音频对齐：在全局上，输入音频在语义上与整个输出视频相关联，在时间上，输入音频的每个片段与相应的音频片段相关联。那个视频。我们利用现有的文本条件视频生成模型和预训练的音频编码器模型。所提出的方法基于轻量级适配器网络，该网络学习将基于音频的表示映射到文本到视频生成模型期望的输入表示。因此，它还可以生成以文本、音频为条件的视频，并且据我们所知，这是第一次同时以文本和音频为条件生成视频。我们在三个数据集上广泛验证了我们的方法，证明了音频视频样本的显着语义多样性，并进一步提出了一种新颖的评估指标（AV-Align）来评估生成的视频与输入音频样本的对齐情况。 AV-Align 基于两种模式中能量峰值的检测和比较。与最近最先进的方法相比，我们的方法生成的视频在内容和时间轴上都与输入声音更好地对齐。我们还表明，通过我们的方法制作的视频呈现出更高的视觉质量并且更加多样化。

安装

git clone [email protected]:guyyariv/TempoTokens.git
cd TempoTokens
pip install -r requirements.txt

并使用以下命令初始化 Accelerate 环境：

accelerate config

下载 BEAT 预训练模型

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"

训练

对我们训练过的每个数据集执行相关命令，包括 VGGSound、Landscape 和 AudioSet-Drum。

accelerate launch train.py --config configs/v2/vggsound.yaml

accelerate launch train.py --config configs/v2/landscape.yaml

accelerate launch train.py --config configs/v2/audioset_drum.yaml

我们强烈建议您查看配置文件并根据您的喜好自定义参数。

预训练权重

通过访问以下链接获取我们进行训练的三个数据集的预训练权重：https://drive.google.com/drive/folders/10pRWoq0m5torvMXILmIQd7j9fLPEeHtS 我们建议您将文件夹保存在名为“models/. ”

推理

inference.py脚本的目的是使用经过训练的检查点生成视频。使用提供的命令（或选择我们预先训练的模型）完成模型训练后，您可以轻松地从我们用于训练的数据集创建视频，例如 VGGSound、Landscape 和 AudioSet-Drum。

accelerate launch inference.py --mapper_weights models/vggsound/learned_embeds.pth --testset vggsound

accelerate launch inference.py --mapper_weights models/landscape/learned_embeds.pth --testset landscape

accelerate launch inference.py --mapper_weights models/audioset_drum/learned_embeds.pth --testset audioset_drum

此外，您还可以根据自己的音频生成视频，如下所示：

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.

致谢

我们的代码部分基于文本到视频微调

引用

如果您在研究中使用我们的工作，请引用以下论文：

@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}
}