Inspiremusic 1.5B

🚀 InspireMusic

InspireMusic是一个专注于音乐、歌曲和音频生成的统一工具包。它能够生成高质量的音频，支持长格式音乐生成，为音乐创作带来了新的可能性。

感谢大家支持，请给我们的项目点个星吧！

🚀 快速开始

音乐生成快速推理示例

cd InspireMusic
mkdir -p pretrained_models

# 下载模型
# ModelScope
git clone https://www.modelscope.cn/iic/InspireMusic-1.5B-Long.git pretrained_models/InspireMusic-1.5B-Long
# HuggingFace
git clone https://huggingface.co/FunAudioLLM/InspireMusic-1.5B-Long.git pretrained_models/InspireMusic-1.5B-Long

cd examples/music_generation
# 运行快速推理示例
sh infer_1.5b_long.sh

音乐生成任务快速开始脚本

cd InspireMusic/examples/music_generation/
sh run.sh

一键推理

文本到音乐任务

cd examples/music_generation
# 使用流匹配，使用单行命令快速尝试
python -m inspiremusic.cli.inference

# 自定义配置，如下单行命令
python -m inspiremusic.cli.inference --task text-to-music -m "InspireMusic-1.5B-Long" -g 0 -t "Experience soothing and sensual instrumental jazz with a touch of Bossa Nova, perfect for a relaxing restaurant or spa ambiance." -c intro -s 0.0 -e 30.0 -r "exp/inspiremusic" -o output -f wav 

# 不使用流匹配，使用单行命令快速尝试
python -m inspiremusic.cli.inference --task text-to-music -g 0 -t "Experience soothing and sensual instrumental jazz with a touch of Bossa Nova, perfect for a relaxing restaurant or spa ambiance." --fast True

或者，你可以使用几行Python代码进行推理：

from inspiremusic.cli.inference import InspireMusic
from inspiremusic.cli.inference import env_variables
if __name__ == "__main__":
  env_variables()
  model = InspireMusic(model_name = "InspireMusic-Base")
  model.inference("text-to-music", "Experience soothing and sensual instrumental jazz with a touch of Bossa Nova, perfect for a relaxing restaurant or spa ambiance.")

音乐续接任务

cd examples/music_generation
# 使用流匹配
python -m inspiremusic.cli.inference --task continuation -g 0 -a audio_prompt.wav
# 不使用流匹配
python -m inspiremusic.cli.inference --task continuation -g 0 -a audio_prompt.wav --fast True

或者，你可以使用几行Python代码进行推理：

from inspiremusic.cli.inference import InspireMusic
from inspiremusic.cli.inference import env_variables
if __name__ == "__main__":
  env_variables()
  model = InspireMusic(model_name = "InspireMusic-Base")
  # 仅使用音频提示
  model.inference("continuation", None, "audio_prompt.wav")
  # 使用文本提示和音频提示
  model.inference("continuation", "Continue to generate jazz music.", "audio_prompt.wav")

✨ 主要特性

• 统一框架：专为音乐、歌曲和音频生成设计的统一工具包。
• 高质量音频：能够完成高质量的音乐生成任务。
• 长格式音乐生成：支持长格式音乐的生成。

📦 安装指南

克隆仓库

git clone --recursive https://github.com/FunAudioLLM/InspireMusic.git
# 如果由于网络问题克隆子模块失败，请运行以下命令直到成功
cd InspireMusic
git submodule update --recursive
# 或者你可以手动下载第三方仓库Matcha-TTS
cd third_party && git clone https://github.com/shivammehta25/Matcha-TTS.git

从源代码安装

InspireMusic需要Python >= 3.8、PyTorch >= 2.0.1、flash attention == 2.6.2/2.6.3、CUDA >= 11.2。你可以使用以下命令安装依赖：

# 安装Conda，请参考https://docs.conda.io/en/latest/miniconda.html
# 创建Conda环境
conda create -n inspiremusic python=3.8
conda activate inspiremusic
cd InspireMusic
# WeTextProcessing需要pynini，使用conda安装，因为它可以在所有平台上执行
conda install -y -c conda-forge pynini==2.1.5
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
# 安装flash attention以加速训练
pip install flash-attn --no-build-isolation

cd InspireMusic
# 安装包
python setup.py install
pip install flash-attn --no-build-isolation

我们还建议安装sox或ffmpeg，可以通过系统或Anaconda进行安装：

# 安装sox
# Ubuntu
sudo apt-get install sox libsox-dev
# CentOS
sudo yum install sox sox-devel

# 安装ffmpeg
# Ubuntu
sudo apt-get install ffmpeg
# CentOS
sudo yum install ffmpeg

使用Docker

# 从提供的Dockerfile构建Docker镜像
docker build -t inspiremusic .
# 以交互模式启动Docker容器
docker run -ti --gpus all -v .:/workspace/InspireMusic inspiremusic

使用Docker Compose

# 从docker-compose.yml文件构建Docker Compose环境和Docker镜像
docker compose up -d --build
# 以交互模式连接到Docker容器
docker exec -ti inspire-music bash

💻 使用示例

基础用法

训练LLM模型示例（支持BF16/FP16训练）

torchrun --nnodes=1 --nproc_per_node=8 \
    --rdzv_id=1024 --rdzv_backend="c10d" --rdzv_endpoint="localhost:0" \
    inspiremusic/bin/train.py \
    --train_engine "torch_ddp" \
    --config conf/inspiremusic.yaml \
    --train_data data/train.data.list \
    --cv_data data/dev.data.list \
    --model llm \
    --model_dir `pwd`/exp/music_generation/llm/ \
    --tensorboard_dir `pwd`/tensorboard/music_generation/llm/ \
    --ddp.dist_backend "nccl" \
    --num_workers 8 \
    --prefetch 100 \
    --pin_memory \
    --deepspeed_config ./conf/ds_stage2.json \
    --deepspeed.save_states model+optimizer \
    --fp16

训练流匹配模型示例（不支持FP16训练）

torchrun --nnodes=1 --nproc_per_node=8 \
    --rdzv_id=1024 --rdzv_backend="c10d" --rdzv_endpoint="localhost:0" \
    inspiremusic/bin/train.py \
    --train_engine "torch_ddp" \
    --config conf/inspiremusic.yaml \
    --train_data data/train.data.list \
    --cv_data data/dev.data.list \
    --model flow \
    --model_dir `pwd`/exp/music_generation/flow/ \
    --tensorboard_dir `pwd`/tensorboard/music_generation/flow/ \
    --ddp.dist_backend "nccl" \
    --num_workers 8 \
    --prefetch 100 \
    --pin_memory \
    --deepspeed_config ./conf/ds_stage2.json \
    --deepspeed.save_states model+optimizer

快速进行模型推理示例

cd InspireMusic/examples/music_generation/
sh infer.sh

正常模式推理示例（使用流匹配模型进行文本到音乐和音乐续接任务）

pretrained_model_dir = "pretrained_models/InspireMusic/"
for task in 'text-to-music' 'continuation'; do
  python inspiremusic/bin/inference.py --task $task \
      --gpu 0 \
      --config conf/inspiremusic.yaml \
      --prompt_data data/test/parquet/data.list \
      --flow_model $pretrained_model_dir/flow.pt \
      --llm_model $pretrained_model_dir/llm.pt \
      --music_tokenizer $pretrained_model_dir/music_tokenizer \
      --wavtokenizer $pretrained_model_dir/wavtokenizer \
      --result_dir `pwd`/exp/inspiremusic/${task}_test \
      --chorus verse 
done

快速模式推理示例（不使用流匹配模型进行文本到音乐和音乐续接任务）

pretrained_model_dir = "pretrained_models/InspireMusic/"
for task in 'text-to-music' 'continuation'; do
  python inspiremusic/bin/inference.py --task $task \
      --gpu 0 \
      --config conf/inspiremusic.yaml \
      --prompt_data data/test/parquet/data.list \
      --flow_model $pretrained_model_dir/flow.pt \
      --llm_model $pretrained_model_dir/llm.pt \
      --music_tokenizer $pretrained_model_dir/music_tokenizer \
      --wavtokenizer $pretrained_model_dir/wavtokenizer \
      --result_dir `pwd`/exp/inspiremusic/${task}_test \
      --chorus verse \
      --fast 
done

硬件要求

之前在H800 GPU上的测试表明，InspireMusic可以以实时因子（RTF）约1.6 - 1.8生成30秒的音频。对于正常模式，我们建议使用至少24GB GPU内存的硬件以获得更好的体验。对于快速模式，12GB GPU内存就足够了。

📚 详细文档

InspireMusic是一个用于音乐、歌曲和音频生成的统一框架，能够生成高质量的长格式音频。它由以下三个关键组件组成：

• 音频分词器（Audio Tokenizers）：将原始音频波形转换为离散的音频标记，这些标记可以由自回归Transformer模型高效处理和训练。较低采样率的音频波形通过高比特率压缩音频分词器转换为离散标记。
• 自回归Transformer模型（Autoregressive Transformer）：基于Qwen2.5作为骨干模型，使用下一个标记预测方法在文本和音频标记上进行训练，使其能够生成连贯且上下文相关的标记序列。
• 超分辨率流匹配模型（Super-Resolution Flow-Matching Model）：基于流建模方法，将生成的标记映射到具有高分辨率细粒度声学细节的潜在特征，这些特征从更高采样率的音频中获得，以确保声学信息通过模型以高保真度连接。然后，声码器从这些增强的潜在特征中生成最终的音频波形。

InspireMusic支持一系列任务，包括文本到音乐、音乐续接、音乐重建和音乐超分辨率。

图1：InspireMusic框架概述。我们介绍了InspireMusic，一个用于音乐、歌曲和音频生成的统一框架，能够生成高质量的长格式音频。InspireMusic由以下三个关键组件组成。音频分词器将原始音频波形转换为离散的音频标记，这些标记可以由自回归Transformer模型高效处理和训练。较低采样率的音频波形通过高比特率压缩音频分词器[1]转换为离散标记。自回归Transformer模型基于Qwen2.5[2]作为骨干模型，使用下一个标记预测方法在文本和音频标记上进行训练，使其能够生成连贯且上下文相关的标记序列。音频和文本标记是自回归模型的输入，通过下一个标记预测生成标记。超分辨率流匹配模型基于流建模方法，将生成的标记映射到具有高分辨率细粒度声学细节的潜在特征[3]，这些特征从更高采样率的音频中获得，以确保声学信息通过模型以高保真度连接。然后，声码器从这些增强的潜在特征中生成最终的音频波形。InspireMusic支持一系列任务，包括文本到音乐、音乐续接、音乐重建和音乐超分辨率。

🔧 技术细节

InspireMusic通过集成音频分词器、自回归Transformer和基于流匹配的模型，实现了音乐、歌曲和音频的可控生成。音频分词器将原始音频转换为离散标记，自回归Transformer模型基于这些标记进行训练，生成连贯的标记序列。超分辨率流匹配模型则将生成的标记映射到具有高分辨率声学细节的潜在特征，最终通过声码器生成高质量的音频。

📄 许可证

文档中未提及相关内容。

引用

@misc{InspireMusic2025,
      title={InspireMusic: Integrating Super Resolution and Large Language Model for High-Fidelity Long-Form Music Generation}, 
      author={Chong Zhang and Yukun Ma and Qian Chen and Wen Wang and Shengkui Zhao and Zexu Pan and Hao Wang and Chongjia Ni and Trung Hieu Nguyen and Kun Zhou and Yidi Jiang and Chaohong Tan and Zhifu Gao and Zhihao Du and Bin Ma},
      year={2025},
      eprint={2503.00084},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2503.00084}, 
}

免责声明

以上内容仅用于研究目的，旨在展示技术能力。部分示例来源于互联网。如果任何内容侵犯了您的权益，请联系我们要求删除。