Magnet Medium 10secs

🚀 MAGNeT - Medium - 1.5B - 10secs

MAGNeT 是一个文本到音乐和文本到声音的模型，能够根据文本描述生成高质量的音频样本。它基于 Transformer 架构，为音乐生成领域带来了高效且优质的解决方案。

🚀 快速开始

🤗 Transformers 使用方法

即将推出...

Audiocraft 使用方法

你可以通过原始的 Audiocraft 库 在本地运行 MAGNeT：

1. 首先安装 audiocraft 库

pip install git+https://github.com/facebookresearch/audiocraft.git

2. 确保安装了 ffmpeg：

apt-get install ffmpeg

3. 运行以下 Python 代码：

from audiocraft.models import MAGNeT
from audiocraft.data.audio import audio_write

model = MAGNeT.get_pretrained("facebook/magnet-medium-10secs")

descriptions = ["happy rock", "energetic EDM"]

wav = model.generate(descriptions)  # 生成 2 个样本。

for idx, one_wav in enumerate(wav):
    # 将以 -14 db LUFS 的响度归一化保存为 {idx}.wav。
    audio_write(f'{idx}', one_wav.cpu(), model.sample_rate, strategy="loudness")

✨ 主要特性

• 能够根据文本描述生成高质量的音频样本。
• 采用单个非自回归 Transformer 生成所有 4 个码本，无需语义令牌调节或模型级联。

📚 详细文档

模型详情

@misc{ziv2024masked,
      title={Masked Audio Generation using a Single Non-Autoregressive Transformer}, 
      author={Alon Ziv and Itai Gat and Gael Le Lan and Tal Remez and Felix Kreuk and Alexandre Défossez and Jade Copet and Gabriel Synnaeve and Yossi Adi},
      year={2024},
      eprint={2401.04577},
      archivePrefix={arXiv},
      primaryClass={cs.SD}
}

| 许可证 | 代码采用 MIT 许可证发布，模型权重采用 CC - BY - NC 4.0 许可证发布 | | 反馈渠道 | 可通过项目的 Github 仓库 发送问题或评论，或提交 issue |

预期用途

主要预期用途

• 基于人工智能的音乐生成研究，如探索和更好地理解生成模型的局限性，以进一步推动科学发展。
• 由文本引导的音乐生成，帮助机器学习爱好者了解生成式人工智能模型的当前能力。

主要预期用户

音频、机器学习和人工智能领域的研究人员，以及希望更好理解这些模型的爱好者。

非预期用例

• 在未进行进一步风险评估和缓解的情况下，不得用于下游应用。
• 不得用于故意创建或传播会给人造成敌对或疏离环境的音乐作品，包括生成可能会让人感到不安、痛苦或冒犯的音乐，或传播历史或当前刻板印象的内容。

评估指标

模型性能指标

• 使用以下客观指标在标准音乐基准上评估模型：
  • 基于预训练音频分类器（VGGish）提取的特征计算的 Fréchet 音频距离。
  • 基于预训练音频分类器（PaSST）提取的标签分布的 Kullback - Leibler 散度。
  • 基于预训练 CLAP 模型提取的音频嵌入和文本嵌入之间的 CLAP 分数。
• 此外，还进行了有人类参与者的定性研究，从以下方面评估模型性能：
  • 音乐样本的整体质量。
  • 与提供的文本输入的文本相关性。

决策阈值

不适用。

评估数据集

模型在 MusicCaps 基准 和一个无艺术家与训练集重叠的领域内保留评估集上进行了评估。

训练数据集

模型在以下许可数据源上进行训练：Meta Music Initiative Sound Collection、Shutterstock 音乐库 和 Pond5 音乐库。更多关于训练集和相应预处理的详细信息请参考论文。

评估结果

以下是发布的模型在 MusicCaps 上获得的客观指标。注意，对于公开发布的模型，使用了最先进的音乐源分离方法，即开源的 Hybrid Transformer for Music Source Separation (HT - Demucs)，以仅保留器乐曲目。这解释了与论文中使用的模型在客观指标上的差异。

更多信息可在论文 Masked Audio Generation using a Single Non-Autoregressive Transformer 的结果部分找到。

局限性和偏差

数据

模型训练使用的数据源由音乐专业人士创建，并与版权持有者签订了法律协议。模型在 16K 小时的数据上进行训练，认为在更大的数据集上扩展模型可以进一步提高性能。

缓解措施

使用相应标签和最先进的音乐源分离方法（即开源的 Hybrid Transformer for Music Source Separation (HT - Demucs)）从数据源中移除了包含人声的曲目。

局限性

• 模型无法生成逼真的人声。
• 模型使用英语描述进行训练，在其他语言中的表现不佳。
• 模型在所有音乐风格和文化中的表现不均。
• 模型有时会生成歌曲结尾并陷入沉默。
• 有时难以评估哪种类型的文本描述能提供最佳生成效果，可能需要进行提示工程以获得满意的结果。

偏差

数据源可能缺乏多样性，并非所有音乐文化都在数据集中得到平等代表。模型在各种音乐流派中的表现可能不均，生成的样本会反映训练数据中的偏差。对该模型的进一步研究应包括实现文化平衡和公正表示的方法，例如扩展训练数据以使其既多样化又具包容性。

风险和危害

模型的偏差和局限性可能导致生成被认为有偏差、不适当或冒犯性的样本。认为提供重现研究和训练新模型的代码将有助于将应用扩展到新的、更具代表性的数据。

使用场景

用户必须了解模型的偏差、局限性和风险。MAGNeT 是为音乐生成的人工智能研究而开发的模型，因此在未进行进一步调查和风险缓解的情况下，不得用于下游应用。

Audio - MAGNeT - 音效生成模型

训练数据集

audio - magnet 模型在以下数据源上进行训练：AudioSet 的一个子集（Gemmeke 等人，2017）、[BBC 音效](https://sound - effects.bbcrewind.co.uk/)、AudioCaps（Kim 等人，2019）、Clotho v2（Drossos 等人，2020）、VGG - Sound（Chen 等人，2020）、FSD50K（Fonseca 等人，2021）、[Free To Use Sounds](https://www.freetousesounds.com/all - in - one - bundle/)、Sonniss Game Effects、[WeSoundEffects](https://wesoundeffects.com/we - sound - effects - bundle - 2020/)、[Paramount Motion - Odeon Cinematic Sound Effects](https://www.paramountmotion.com/odeon - sound - effects)。

评估数据集

audio - magnet 模型（音效生成）在 AudioCaps 基准 上进行了评估。

评估结果

以下是发布的 audio - magnet 模型在 AudioCaps（由 10 秒长的样本组成）上获得的客观指标。

模型检查点

发布了六个检查点：

• [small - 10secs](https://huggingface.co/facebook/magnet - small - 10secs)
• [medium - 10secs (本检查点)](https://huggingface.co/facebook/magnet - medium - 10secs)
• [small - 30secs](https://huggingface.co/facebook/magnet - small - 30secs)
• [medium - 30secs](https://huggingface.co/facebook/magnet - medium - 30secs)
• [audio - small](https://huggingface.co/facebook/audio - magnet - small)
• [audio - medium](https://huggingface.co/facebook/audio - magnet - medium)