EzAudio

Ezaudio: Mejora de la generación de texto a audio con transformador de difusión eficiente

? Ezaudio es un modelo de generación de texto a audio basado en difusión. Diseñado para aplicaciones de audio del mundo real, Ezaudio reúne la síntesis de audio de alta calidad con demandas computacionales más bajas.

? Juega con Ezaudio para la generación de texto a audio, edición e interna

? Ezaudio-Controlnet está disponible: espacio ezaudio-Controlnet

Instalación

Clon el repositorio:

 git clone [email protected]:haidog-yaqub/EzAudio.git

Instale las dependencias:

 cd EzAudio
pip install -r requirements.txt

Descargar checkponts (opcional): https://huggingface.co/opensound/ezaudio

Uso

Puede usar el modelo con el siguiente código:

 from api . ezaudio import EzAudio
import torch
import soundfile as sf

# load model
device = 'cuda' if torch . cuda . is_available () else 'cpu'
ezaudio = EzAudio ( model_name = 's3_xl' , device = device )

# text to audio genertation
prompt = "a dog barking in the distance"
sr , audio = ezaudio . generate_audio ( prompt )
sf . write ( f' { prompt } .wav' , audio , sr )

# audio inpainting
prompt = "A train passes by, blowing its horns"
original_audio = 'ref.wav'
sr , audio = ezaudio . editing_audio ( prompt , boundary = 2 , gt_file = original_audio ,
                                  mask_start = 1 , mask_length = 5 )
sf . write ( f' { prompt } _edit.wav' , audio , sr )

Hacer

• Libere la demostración de Gradio junto con los puntos de control de Ezaudio Space
• Libere la demostración de Controlnet junto con los puntos de control EASAUDIO CONTROLNET Space
• Liberar el código de inferencia
• Mejore la API y admite la descarga automática de CKPTS [WIP]
• Puntos de control de lanzamiento para Stage1 y Stage2
• Liberación de tuberías de capacitación y conjunto de datos

Referencia

Si encuentra el código útil para su investigación, considere citar:

 @article { hai2024ezaudio ,
  title = { EzAudio: Enhancing Text-to-Audio Generation with Efficient Diffusion Transformer } ,
  author = { Hai, Jiarui and Xu, Yong and Zhang, Hao and Li, Chenxing and Wang, Helin and Elhilali, Mounya and Yu, Dong } ,
  journal = { arXiv preprint arXiv:2409.10819 } ,
  year = { 2024 }
}

Reconocimiento

Algunos códigos se toman prestados o inspirados en: U-VIT, Pixel-Art, Huyuan-Dit y Audio estable.