Bigvgan 24khz 100band

🚀 BigVGAN：通过大规模训练实现的通用神经声码器

BigVGAN是一款通用神经声码器，借助大规模训练达成了出色的音频合成效果。它适用于语音合成等音频生成任务，能有效提升音频质量和合成效率。

🚀 快速开始

本仓库包含预训练的BigVGAN检查点，可轻松进行推理，还提供了额外的huggingface_hub支持。

若你对模型训练和其他功能感兴趣，请访问官方GitHub仓库获取更多信息：https://github.com/NVIDIA/BigVGAN

git lfs install
git clone https://huggingface.co/nvidia/bigvgan_24khz_100band

✨ 主要特性

• 代码优化：2024年7月（v2.3）进行了全面重构和代码改进，提高了代码的可读性。
• CUDA内核融合：实现了抗锯齿激活（上采样 + 激活 + 下采样）的全融合CUDA内核，并进行了推理速度基准测试。
• 本地交互演示：2024年7月（v2.2），仓库包含了使用Gradio的交互式本地演示。
• Hugging Face集成：2024年7月（v2.1），BigVGAN与🤗 Hugging Face Hub集成，可轻松使用预训练检查点进行推理，还在Hugging Face Spaces上提供了交互式演示。
• BigVGAN-v2发布：2024年7月（v2）发布了BigVGAN-v2及预训练检查点，具有自定义CUDA推理内核、改进的判别器和损失函数、更大的训练数据集等特点。

📦 安装指南

git lfs install
git clone https://huggingface.co/nvidia/bigvgan_24khz_100band

💻 使用示例

基础用法

以下示例展示了如何使用BigVGAN：从Hugging Face Hub加载预训练的BigVGAN生成器，从输入波形计算梅尔频谱图，并使用梅尔频谱图作为模型输入生成合成波形。

device = 'cuda'

import torch
import bigvgan
import librosa
from meldataset import get_mel_spectrogram

# 实例化模型。你可以选择设置use_cuda_kernel=True以实现更快的推理。
model = bigvgan.BigVGAN.from_pretrained('nvidia/bigvgan_24khz_100band', use_cuda_kernel=False)

# 移除模型中的权重归一化并设置为评估模式
model.remove_weight_norm()
model = model.eval().to(device)

# 加载wav文件并计算梅尔频谱图
wav_path = '/path/to/your/audio.wav'
wav, sr = librosa.load(wav_path, sr=model.h.sampling_rate, mono=True) # wav是形状为[T_time]且值在[-1, 1]范围内的np.ndarray
wav = torch.FloatTensor(wav).unsqueeze(0) # wav是形状为[B(1), T_time]的FloatTensor

# 从真实音频计算梅尔频谱图
mel = get_mel_spectrogram(wav, model.h).to(device) # mel是形状为[B(1), C_mel, T_frame]的FloatTensor

# 从梅尔频谱图生成波形
with torch.inference_mode():
    wav_gen = model(mel) # wav_gen是形状为[B(1), 1, T_time]且值在[-1, 1]范围内的FloatTensor
wav_gen_float = wav_gen.squeeze(0).cpu() # wav_gen是形状为[1, T_time]的FloatTensor

# 你可以将生成的波形转换为16位线性PCM
wav_gen_int16 = (wav_gen_float * 32767.0).numpy().astype('int16') # wav_gen现在是形状为[1, T_time]且数据类型为int16的np.ndarray

高级用法

你可以在实例化BigVGAN时使用参数use_cuda_kernel来应用快速CUDA推理内核：

import bigvgan
model = bigvgan.BigVGAN.from_pretrained('nvidia/bigvgan_24khz_100band', use_cuda_kernel=True)

首次应用时，它会使用nvcc和ninja构建内核。如果构建成功，内核将保存到alias_free_activation/cuda/build，模型会自动加载内核。代码库已使用CUDA 12.1进行测试。

请确保系统中已安装nvcc和ninja，并且系统中安装的nvcc版本与你的PyTorch构建使用的版本匹配。

详细信息请参阅官方GitHub仓库：https://github.com/NVIDIA/BigVGAN?tab=readme-ov-file#using-custom-cuda-kernel-for-synthesis

📚 详细文档

预训练模型

我们在Hugging Face Collections上提供了预训练模型。你可以在列出的模型仓库中下载生成器权重（名为bigvgan_generator.pt）及其判别器/优化器状态（名为bigvgan_discriminator_optimizer.pt）的检查点。

📄 许可证

本项目采用MIT许可证，详情请见https://huggingface.co/nvidia/BigVGAN/blob/main/LICENSE。

论文与代码链接

• 作者：Sang - gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro, Sungroh Yoon
• 论文：[Paper]
• 代码：[Code]
• 展示：[[Showcase]](https://bigvgan - demo.github.io/)
• 项目页面：[Project Page]
• 权重：[[Weights]](https://huggingface.co/collections/nvidia/bigvgan - 66959df3d97fd7d98d97dc9a)
• 演示：[Demo]

论文引用

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

项目图片