/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Опубликована
1 янв 2024

auffusion-full-no-adapter

Генерация изображенийТекст → изображение3 профессии

Auffusion-Full-no-adapter — диффузионная модель для создания аудио по текстовым описаниям, включая звуки окружающей среды и эффекты.

118скачиваний за 30 дней9лайковвеса обновлены3 янв 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Auffusion-Full-no-adapter — модель латентной диффузии для генерации аудио по текстовому описанию. Она создана командой Auffusion на основе подходов и компонентов, обычно применяемых в моделях преобразования текста в изображение, и предназначена для создания звуков людей и животных, природных и искусственных звуков, а также звуковых эффектов. Вариант Full-no-adapter предварительно обучен на всех наборах данных, описанных в статье, и рассчитан на удобное применение для манипуляции аудио.

Модель использует формат Diffusers/PyTorch и совместима с конвейерами Stable Diffusion, включая генерацию, преобразование и заполнение изображений, адаптированные для работы с аудио. В карточке указана лицензия CC BY-NC-SA 4.0. README сообщает о сравнительных оценках с предыдущими подходами, однако не приводит здесь численных результатов или подробных ограничений; также не указаны размер модели и длина контекста.

Сценарии применения

  • создание звуковых эффектов по текстовому описанию
  • генерация звуков животных и людей
  • создание природных звуков по запросу
  • генерация искусственных и бытовых звуков
  • манипуляция аудио с помощью адаптированных конвейеров Diffusers

Ограничения

README не приводит численных результатов оценки или подробных ограничений качества и применимости модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Auffusion is a latent diffusion model (LDM) for text-to-audio (TTA) generation. Auffusion can generate realistic audios including human sounds, animal sounds, natural and artificial sounds and sound effects from textual prompts. We introduce Auffusion, a TTA system adapting T2I model frameworks to TTA task, by effectively leveraging their inherent generative strengths and precise cross-modal alignment. Our objective and subjective evaluations demonstrate that Auffusion surpasses previous TTA approaches using limited data and computational resource. We release our model, inference code, and pre-trained checkpoints for the research community.

📣 We are releasing Auffusion-Full-no-adapter which was pre-trained on all datasets described in paper and created for easy use of audio manipulation.

📣 We are releasing Auffusion-Full which was pre-trained on all datasets described in paper.

📣 We are releasing Auffusion which was pre-trained on AudioCaps.

Auffusion Model Family

Model NameModel Path
Auffusionhttps://huggingface.co/auffusion/auffusion
Auffusion-Fullhttps://huggingface.co/auffusion/auffusion-full
Auffusion-Full-no-adapterhttps://huggingface.co/auffusion/auffusion-full-no-adapter

Code

Our code is released here: https://github.com/happylittlecat2333/Auffusion

We uploaded several Auffusion generated samples here: https://auffusion.github.io

Please follow the instructions in the repository for installation, usage and experiments.

Quickstart Guide

We try to make Auffusion-Full-no-adapter compatible with text-to-image pipeline, therefore diffusers pipeline including StableDiffusionPipeline, StableDiffusionImg2ImgPipeline, StableDiffusionInpaintPipeline etc. can be adapted. Other audio manipulation examples can be seen in https://github.com/happylittlecat2333/Auffusion/notebooks. We only show the default text-to-audio example here.

First, git clone the repository and install the requirements:

git clone https://github.com/happylittlecat2333/Auffusion/
cd Auffusion
pip install -r requirements.txt

Then, download the Auffusion-Full-no-adapter model and generate audio from a text prompt:

import IPython, torch, os
import soundfile as sf
from diffusers import StableDiffusionPipeline
from huggingface_hub import snapshot_download
from converter import Generator, denormalize_spectrogram

cuda = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.float16

prompt = "A kitten mewing for attention"
seed = 42

pretrained_model_name_or_path = "auffusion/auffusion-full-no-adapter"
if not os.path.isdir(pretrained_model_name_or_path):
    pretrained_model_name_or_path = snapshot_download(pretrained_model_name_or_path) 

vocoder = Generator.from_pretrained(pretrained_model_name_or_path, subfolder="vocoder")
vocoder = vocoder.to(device=device, dtype=dtype)

pipe = StableDiffusionPipeline.from_pretrained(pretrained_model_name_or_path, torch_dtype=dtype)
pipe = pipe.to(device)

generator = torch.Generator(device=device).manual_seed(seed)

with torch.autocast("cuda"):
    output_spec = pipe(
        prompt=prompt, num_inference_steps=100, generator=generator, height=256, width=1024, output_type="pt"
    ).images[0] 
    # important to set output_type="pt" to get torch tensor output, and set height=256 with width=1024


denorm_spec = denormalize_spectrogram(output_spec)
denorm_spec_audio = vocoder.inference(denorm_spec)

sf.write(f"{prompt}.wav", audio, samplerate=16000)
IPython.display.Audio(data=audio, rate=16000)

The auffusion model will be automatically downloaded from huggingface and saved in cache. Subsequent runs will load the model directly from cache.

Other audio manipulation examples can be seen in https://github.com/happylittlecat2333/Auffusion/notebooks. We only show the default text-to-audio example here.

Citation

Please consider citing the following article if you found our work useful:

@article{xue2024auffusion,
  title={Auffusion: Leveraging the Power of Diffusion and Large Language Models for Text-to-Audio Generation}, 
  author={Jinlong Xue and Yayue Deng and Yingming Gao and Ya Li},
  journal={arXiv preprint arXiv:2401.01044},
  year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
a75ebf2

0 моделей