/ Модель

Характеристики

Размер весов
3,4 ГБ
Опубликована
24 дек 2024

TangoFlux

Генерация аудиоТекст → аудио3 профессии

TangoFlux генерирует аудио длительностью до 30 секунд по текстовому описанию и заданной длительности.

1 244скачиваний за 30 дней115лайковвеса обновлены7 мая 2025

Бенчмарки

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

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

TangoFlux — модель генерации аудио по текстовому описанию, разработанная Declare Lab при поддержке Stability AI. Она принимает текстовый запрос и указание длительности, затем создаёт аудио с частотой дискретизации 44,1 кГц продолжительностью до 30 секунд.

Модель использует блоки FluxTransformer на основе Diffusion Transformer (DiT) и Multimodal Diffusion Transformer (MMDiT). Она обучена генерировать аудио через rectified flow по латентным представлениям, полученным вариационным автоэнкодером, и прошла этапы предварительного обучения, дообучения и оптимизации предпочтений CRPO. Среди указанных обучающих наборов — WavCaps и CRPO.

TangoFlux предназначена для быстрого создания аудио по текстовым запросам; заявленный акцент — соответствие сгенерированного звука описанию. README не сообщает лицензию модели, поэтому условия её использования по доступным данным определить нельзя.

Сценарии применения

  • создание звуковых эффектов по текстовому запросу
  • генерация коротких аудиофрагментов для видео
  • создание фоновых звуков для игр
  • прототипирование аудиосцен по описанию

Ограничения

Продолжительность генерируемого аудио ограничена 30 секундами. Лицензия и условия использования в предоставленных данных не указаны.

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
  • Powered by Stability AI

Model Overview

TangoFlux consists of FluxTransformer blocks which are Diffusion Transformer (DiT) and Multimodal Diffusion Transformer (MMDiT), conditioned on textual prompt and duration embedding to generate audio at 44.1kHz up to 30 seconds. TangoFlux learns a rectified flow trajectory from audio latent representation encoded by a variational autoencoder (VAE). The TangoFlux training pipeline consists of three stages: pre-training, fine-tuning, and preference optimization. TangoFlux is aligned via CRPO which iteratively generates new synthetic data and constructs preference pairs to perform preference optimization.

Getting Started

Get TangoFlux from our GitHub repo https://github.com/declare-lab/TangoFlux with

pip install git+https://github.com/declare-lab/TangoFlux

The model will be automatically downloaded and saved in a cache. The subsequent runs will load the model directly from the cache.

The generate function uses 25 steps by default to sample from the flow model. We recommend using 50 steps for generating better quality audios. This comes at the cost of increased run-time.

import torchaudio
from tangoflux import TangoFluxInference
from IPython.display import Audio

model = TangoFluxInference(name='declare-lab/TangoFlux')
audio = model.generate('Hammer slowly hitting the wooden table', steps=50, duration=10)

Audio(data=audio, rate=44100)

License

The TangoFlux checkpoints are for non-commercial research use only. They are subject to the Stable Audio Open’s license, WavCap’s license, and the original licenses accompanying each training dataset.

This Stability AI Model is licensed under the Stability AI Community License, Copyright © Stability AI Ltd. All Rights Reserved

Citation

https://arxiv.org/abs/2412.21037

@misc{hung2024tangofluxsuperfastfaithful,
      title={TangoFlux: Super Fast and Faithful Text to Audio Generation with Flow Matching and Clap-Ranked Preference Optimization}, 
      author={Chia-Yu Hung and Navonil Majumder and Zhifeng Kong and Ambuj Mehrish and Rafael Valle and Bryan Catanzaro and Soujanya Poria},
      year={2024},
      eprint={2412.21037},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2412.21037}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
367005e

0 моделей