Bigvgan V2 22khz 80band 256x

🚀 BigVGAN：通過大規模訓練實現的通用神經聲碼器

BigVGAN是一種經過大規模訓練的通用神經聲碼器，能夠有效應用於音頻合成領域，為語音合成等任務提供高質量的音頻生成能力。

作者信息

Sang - gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro, Sungroh Yoon

[論文] - [代碼] - [[展示]](https://bigvgan - demo.github.io/) - [項目頁面] - [[權重]](https://huggingface.co/collections/nvidia/bigvgan - 66959df3d97fd7d98d97dc9a) - [演示]

[](https://paperswithcode.com/sota/speech - synthesis - on - libritts?p=bigvgan - a - universal - neural - vocoder - with - large)

✨ 主要特性

新聞動態

• 2024年7月（v2.3）：
  • 進行了全面重構和代碼改進，提升了代碼的可讀性。
  • 實現了抗鋸齒激活的全融合CUDA內核（上採樣 + 激活 + 下采樣），並提供了推理速度基準測試。
• 2024年7月（v2.2）：倉庫現在包含一個使用Gradio的交互式本地演示。
• 2024年7月（v2.1）：BigVGAN現已集成到🤗 Hugging Face Hub，可通過預訓練檢查點輕鬆進行推理。同時，在Hugging Face Spaces上提供了交互式演示。
• 2024年7月（v2）：發佈了BigVGAN - v2及預訓練檢查點，主要亮點如下：
  • 自定義CUDA推理內核：提供了一個用CUDA編寫的融合上採樣 + 激活內核，可加速推理速度。在單個A100 GPU上，測試顯示速度提升了1.5 - 3倍。
  • 改進的判別器和損失函數：BigVGAN - v2使用多尺度子帶CQT判別器和多尺度梅爾頻譜圖損失進行訓練。
  • 更大規模的訓練數據：BigVGAN - v2使用包含多種音頻類型的數據集進行訓練，包括多種語言的語音、環境聲音和樂器聲音。
  • 提供多樣化音頻配置的預訓練檢查點：支持高達44 kHz的採樣率和512倍的上採樣率。

📦 安裝指南

本倉庫包含預訓練的BigVGAN檢查點，方便進行推理，並額外支持huggingface_hub。

如果您對模型訓練和其他功能感興趣，請訪問官方GitHub倉庫獲取更多信息：https://github.com/NVIDIA/BigVGAN

git lfs install
git clone https://huggingface.co/nvidia/bigvgan_v2_22khz_80band_256x

💻 使用示例

基礎用法

以下示例展示瞭如何使用BigVGAN：從Hugging Face Hub加載預訓練的BigVGAN生成器，從輸入波形計算梅爾頻譜圖，並使用梅爾頻譜圖作為模型輸入生成合成波形。

device = 'cuda'

import torch
import bigvgan
import librosa
from meldataset import get_mel_spectrogram

# 實例化模型。您可以選擇設置use_cuda_kernel=True以加快推理速度。
model = bigvgan.BigVGAN.from_pretrained('nvidia/bigvgan_v2_22khz_80band_256x', use_cuda_kernel=False)

# 移除模型中的權重歸一化並設置為評估模式
model.remove_weight_norm()
model = model.eval().to(device)

# 加載音頻文件並計算梅爾頻譜圖
wav_path = '/path/to/your/audio.wav'
wav, sr = librosa.load(wav_path, sr=model.h.sampling_rate, mono=True) # wav是形狀為[T_time]且值在[-1, 1]之間的np.ndarray
wav = torch.FloatTensor(wav).unsqueeze(0) # wav是形狀為[B(1), T_time]的FloatTensor

# 從真實音頻計算梅爾頻譜圖
mel = get_mel_spectrogram(wav, model.h).to(device) # mel是形狀為[B(1), C_mel, T_frame]的FloatTensor

# 從梅爾頻譜圖生成波形
with torch.inference_mode():
    wav_gen = model(mel) # wav_gen是形狀為[B(1), 1, T_time]且值在[-1, 1]之間的FloatTensor
wav_gen_float = wav_gen.squeeze(0).cpu() # wav_gen是形狀為[1, T_time]的FloatTensor

# 您可以將生成的波形轉換為16位線性PCM
wav_gen_int16 = (wav_gen_float * 32767.0).numpy().astype('int16') # wav_gen現在是形狀為[1, T_time]且數據類型為int16的np.ndarray

高級用法

使用自定義CUDA內核進行合成

您可以在實例化BigVGAN時使用參數use_cuda_kernel來應用快速CUDA推理內核：

import bigvgan
model = bigvgan.BigVGAN.from_pretrained('nvidia/bigvgan_v2_22khz_80band_256x', use_cuda_kernel=True)

首次應用時，它會使用nvcc和ninja構建內核。如果構建成功，內核將保存到alias_free_activation/cuda/build，模型會自動加載該內核。代碼庫已在CUDA 12.1上進行了測試。

請確保系統中已安裝nvcc和ninja，並且系統中安裝的nvcc版本與您的PyTorch構建版本相匹配。

更多詳細信息，請參閱官方GitHub倉庫：https://github.com/NVIDIA/BigVGAN?tab=readme - ov - file#using - custom - cuda - kernel - for - synthesis

📚 詳細文檔

預訓練模型

我們在[Hugging Face Collections](https://huggingface.co/collections/nvidia/bigvgan - 66959df3d97fd7d98d97dc9a)上提供了預訓練模型。您可以在列出的模型倉庫中下載生成器權重（名為bigvgan_generator.pt）及其判別器/優化器狀態（名為bigvgan_discriminator_optimizer.pt）的檢查點。

📄 許可證

本項目採用MIT許可證。詳情請見許可證鏈接。