/ Модель

Характеристики

Размер весов
11,9 ГБ
Лицензия
Apache 2.0
Опубликована
15 ноя 2023

mustango

Генерация аудиоТекст → аудио3 профессии

Mustango генерирует музыкальные фрагменты по текстовым описаниям с управлением музыкальными характеристиками.

4 328скачиваний за 30 дней44лайкавеса обновлены17 дек 2023

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

Mustango — модель генерации музыки по текстовому описанию, разработанная авторами проекта Mustango. Она предназначена для создания музыкальных фрагментов с управляемыми характеристиками, включая соответствие описанию, аккорды и темп. Архитектура сочетает латентную диффузионную модель (LDM), Flan-T5 и музыкальные признаки; модель обучалась на MusicBench, содержащем 52 тысячи фрагментов с музыкальными текстовыми описаниями.

В README приведена экспертная субъективная оценка генераций Mustango на MusicBench по соответствию тексту, аккордам, темпу, качеству аудио и музыкальности. Модель принимает текст и выдаёт аудио. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены размер модели и длина контекста.

Сценарии применения

  • создание музыкального фрагмента по текстовому запросу
  • генерация музыки с заданными аккордами
  • создание музыки с подходящим темпом
  • подбор музыкального сопровождения к описанной сцене

Ограничения

В README не описаны ограничения по длительности или набору поддерживаемых музыкальных стилей. Оценки качества приведены для экспертной субъективной проверки на MusicBench и не гарантируют качество каждого результата.

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

Mustango: Toward Controllable Text-to-Music Generation

Demo | Model | Website and Examples | Paper | Dataset

Hugging Face Spaces

Meet Mustango, an exciting addition to the vibrant landscape of Multimodal Large Language Models designed for controlled music generation. Mustango leverages Latent Diffusion Model (LDM), Flan-T5, and musical features to do the magic!

🔥 Live demo available on Replicate and HuggingFace.

Quickstart Guide

Generate music from a text prompt:

import IPython
import soundfile as sf
from mustango import Mustango

model = Mustango("declare-lab/mustango")

prompt = "This is a new age piece. There is a flute playing the main melody with a lot of staccato notes. The rhythmic background consists of a medium tempo electronic drum beat with percussive elements all over the spectrum. There is a playful atmosphere to the piece. This piece can be used in the soundtrack of a children's TV show or an advertisement jingle."

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

Installation

git clone https://github.com/AMAAI-Lab/mustango
cd mustango
pip install -r requirements.txt
cd diffusers
pip install -e .

Datasets

The MusicBench dataset contains 52k music fragments with a rich music-specific text caption.

Subjective Evaluation by Expert Listeners

ModelDatasetPre-trainedOverall Match ↑Chord Match ↑Tempo Match ↑Audio Quality ↑Musicality ↑Rhythmic Presence and Stability ↑Harmony and Consonance ↑
TangoMusicCaps✓4.352.753.883.352.833.953.84
TangoMusicBench✓4.913.613.863.883.544.014.34
MustangoMusicBench✓5.495.764.984.304.284.655.18
MustangoMusicBench✗5.756.065.114.804.804.755.59

Training

We use the accelerate package from Hugging Face for multi-gpu training. Run accelerate config from terminal and set up your run configuration by the answering the questions asked.

You can now train Mustango on the MusicBench dataset using:

accelerate launch train.py \
--text_encoder_name="google/flan-t5-large" \
--scheduler_name="stabilityai/stable-diffusion-2-1" \
--unet_model_config="configs/diffusion_model_config_munet.json" \
--model_type Mustango --freeze_text_encoder --uncondition_all --uncondition_single \
--drop_sentences --random_pick_text_column --snr_gamma 5 \

The --model_type flag allows to choose either Mustango, or Tango to be trained with the same code. However, do note that you also need to change --unet_model_config to the relevant config: diffusion_model_config_munet for Mustango; diffusion_model_config for Tango.

The arguments --uncondition_all, --uncondition_single, --drop_sentences control the dropout functions as per Section 5.2 in our paper. The argument of --random_pick_text_column allows to randomly pick between two input text prompts - in the case of MusicBench, we pick between ChatGPT rephrased captions and original enhanced MusicCaps prompts, as depicted in Figure 1 in our paper.

Recommended training time from scratch on MusicBench is at least 40 epochs.

Model Zoo

We have released the following models:

Mustango Pretrained: https://huggingface.co/declare-lab/mustango-pretrained

Mustango: https://huggingface.co/declare-lab/mustango

Citation

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

@misc{melechovsky2023mustango,
      title={Mustango: Toward Controllable Text-to-Music Generation}, 
      author={Jan Melechovsky and Zixun Guo and Deepanway Ghosal and Navonil Majumder and Dorien Herremans and Soujanya Poria},
      year={2023},
      eprint={2311.08355},
      archivePrefix={arXiv},
}

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
b3fdef6

0 моделей