🚀 MusicGen - Stereo - Small - 300M
MusicGenは、テキスト記述やオーディオプロンプトを条件として、高品質な音楽サンプルを生成できるテキスト・ツー・ミュージックモデルです。このStereo - Small - 300Mバージョンは、ステレオ音声を生成する能力を備えています。
🚀 クイックスタート
MusicGenを使って音楽を生成するには、以下の手順に従ってください。
✨ 主な機能
- テキスト記述やオーディオプロンプトに基づいて高品質な音楽を生成。
- ステレオ音声を生成する能力を備えたモデル。
- 単一の段階でオートレグレッシブなTransformerモデルを使用し、4つのコードブックを一度に生成。
📦 インストール
🤗 Transformersを使用する場合
- まず、🤗 Transformersライブラリ とscipyをインストールします。
pip install --upgrade pip
pip install --upgrade git+https://github.com/huggingface/transformers.git scipy
Audiocraftを使用する場合
- まず、
audiocraft
ライブラリ をインストールします。
pip install git+https://github.com/facebookresearch/audiocraft.git
ffmpeg
がインストールされていることを確認してください。
apt get install ffmpeg
💻 使用例
🤗 Transformersを使用する場合
基本的な使用法
import torch
import soundfile as sf
from transformers import pipeline
synthesiser = pipeline("text-to-audio", "facebook/musicgen-stereo-small", device="cuda:0", torch_dtype=torch.float16)
music = synthesiser("lo-fi music with a soothing melody", forward_params={"max_new_tokens": 256})
sf.write("musicgen_out.wav", music["audio"][0].T, music["sampling_rate"])
高度な使用法
from transformers import AutoProcessor, MusicgenForConditionalGeneration
processor = AutoProcessor.from_pretrained("facebook/musicgen-stereo-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-stereo-small").to("cuda")
inputs = processor(
text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"],
padding=True,
return_tensors="pt",
).to("cuda")
audio_values = model.generate(**inputs, max_new_tokens=256)
Audiocraftを使用する場合
from audiocraft.models import MusicGen
from audiocraft.data.audio import audio_write
model = MusicGen.get_pretrained("small")
model.set_generation_params(duration=8)
descriptions = ["happy rock", "energetic EDM"]
wav = model.generate(descriptions)
for idx, one_wav in enumerate(wav):
audio_write(f'{idx}', one_wav.cpu(), model.sample_rate, strategy="loudness")
📚 ドキュメント
モデルの詳細
属性 |
详情 |
組織 |
Meta AIのFAIRチーム |
モデルの日付 |
2023年4月から5月の間にトレーニングされました。 |
モデルのバージョン |
バージョン1 |
モデルのタイプ |
MusicGenは、オーディオトークン化のためのEnCodecモデルと、音楽モデリングのためのTransformerアーキテクチャに基づくオートレグレッシブ言語モデルで構成されています。モデルには、300M、1.5B、3.3Bのパラメータサイズがあり、テキスト・ツー・ミュージック生成タスク用にトレーニングされたモデルと、メロディガイド付き音楽生成用にトレーニングされたモデルの2つのバリエーションがあります。 |
論文または詳細情報 |
Simple and Controllable Music Generation |
引用 |
|
@misc{copet2023simple,
title={Simple and Controllable Music Generation},
author={Jade Copet and Felix Kreuk and Itai Gat and Tal Remez and David Kant and Gabriel Synnaeve and Yossi Adi and Alexandre Défossez},
year={2023},
eprint={2306.05284},
archivePrefix={arXiv},
primaryClass={cs.SD}
}
| ライセンス | コードはMITライセンスで公開され、モデルの重みはCC - BY - NC 4.0で公開されています。 |
| 質問やコメントの送信先 | プロジェクトのGithubリポジトリ を通じて、またはissueを開くことで質問やコメントを送信できます。 |
想定される使用方法
- 主な想定使用目的:AIベースの音楽生成に関する研究。
- 主な想定ユーザー:オーディオ、機械学習、人工知能の研究者、およびこれらのモデルをよりよく理解しようとするアマチュア。
- 想定外の使用例:リスク評価と軽減策を十分に行わない限り、下流のアプリケーションで使用しないでください。また、人々に敵対的または疎外感を与える音楽作品を意図的に作成または拡散するために使用しないでください。
評価指標
- モデルの性能評価指標:標準的な音楽ベンチマークでモデルを評価するために、以下の客観的な指標を使用しました。
- 事前学習されたオーディオ分類器(VGGish)から抽出された特徴量に基づくFrechet Audio Distance
- 事前学習されたオーディオ分類器(PaSST)から抽出されたラベル分布のKullback - Leibler Divergence
- 事前学習されたCLAPモデルから抽出されたオーディオ埋め込みとテキスト埋め込みの間のCLAPスコア
- 定性的な評価:人間の参加者を対象に、以下の軸でモデルの性能を評価する定性的な研究を行いました。
- 音楽サンプルの全体的な品質
- 提供されたテキスト入力とのテキスト関連性
- メロディガイド付き音楽生成におけるメロディの遵守度
評価データセット
モデルは、MusicCapsベンチマーク と、トレーニングセットとアーティストが重複しないドメイン内のホールドアウト評価セットで評価されました。
トレーニングデータセット
モデルは、以下のソースからのライセンス付きデータでトレーニングされました。
評価結果
モデル |
Frechet Audio Distance |
KLD |
テキストの一貫性 |
クロマコサイン類似度 |
facebook/musicgen-small |
4.88 |
1.42 |
0.27 |
- |
facebook/musicgen-medium |
5.14 |
1.38 |
0.28 |
- |
facebook/musicgen-large |
5.48 |
1.37 |
0.28 |
- |
facebook/musicgen-melody |
4.93 |
1.41 |
0.27 |
0.44 |
制限事項とバイアス
- データ:モデルのトレーニングに使用されるデータソースは、音楽専門家によって作成され、権利所有者との法的契約の対象となっています。モデルは20,000時間のデータでトレーニングされており、より大規模なデータセットでモデルを拡張することで、モデルの性能をさらに向上させることができると考えています。
- 軽減策:データソースからボーカルは、対応するタグを使用して削除され、その後、最先端の音楽ソース分離方法であるオープンソースのHybrid Transformer for Music Source Separation (HT - Demucs) を使用して削除されました。
- 制限事項:
- モデルは、リアルなボーカルを生成することができません。
- モデルは英語の記述でトレーニングされており、他の言語では性能が低下する可能性があります。
- モデルは、すべての音楽スタイルや文化に対して同等の性能を発揮しません。
- モデルは、時々曲の終わりを生成し、無音になることがあります。
- どのようなタイプのテキスト記述が最良の生成結果をもたらすかを評価することは、時々困難です。満足のいく結果を得るためには、プロンプトエンジニアリングが必要になる場合があります。
- バイアス:データのソースは、潜在的に多様性に欠けており、すべての音楽文化がデータセットに均等に表されていません。モデルは、存在する幅広い音楽ジャンルに対して同等の性能を発揮しない可能性があります。モデルから生成されるサンプルは、トレーニングデータのバイアスを反映します。このモデルに関するさらなる作業には、たとえばトレーニングデータを多様で包括的なものに拡張することにより、文化のバランスの取れた公正な表現方法を含める必要があります。
- リスクと害:モデルのバイアスと制限事項により、バイアスがある、不適切な、または不快なサンプルが生成される可能性があります。研究を再現し、新しいモデルをトレーニングするためのコードを提供することで、新しい、より代表的なデータへの適用範囲を広げることができると考えています。
- 使用例:ユーザーは、モデルのバイアス、制限事項、およびリスクを認識している必要があります。MusicGenは、制御可能な音楽生成に関する人工知能研究用に開発されたモデルです。したがって、リスクをさらに調査して軽減しない限り、下流のアプリケーションで使用しないでください。
📄 ライセンス
コードはMITライセンスで公開され、モデルの重みはCC - BY - NC 4.0で公開されています。