跳到主要内容

Audiocraft 音频生成

AudioCraft: MusicGen 文本转音乐, AudioGen 文本转声音。

技能元数据​

来源内置（默认安装）
路径skills/mlops/models/audiocraft
版本1.0.0
作者Orchestra Research
许可证MIT
依赖audiocraft, torch>=2.0.0, transformers>=4.30.0
标签Multimodal, Audio Generation, Text-to-Music, Text-to-Audio, MusicGen

参考：完整 SKILL.md​

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。当技能激活时，Agent 会看到这些指令。

AudioCraft: 音频生成

使用 Meta 的 AudioCraft 进行文本转音乐和文本转音频生成的全面指南，涵盖 MusicGen、AudioGen 和 EnCodec。

何时使用 AudioCraft​

使用 AudioCraft 的场景：

  • 需要根据文本描述生成音乐
  • 创建音效和环境音频
  • 构建音乐生成应用
  • 需要旋律条件音乐生成
  • 想要立体声输出
  • 需要可控的音乐生成及风格迁移

主要特性：

  • MusicGen：带旋律条件的文本转音乐生成
  • AudioGen：文本转音效生成
  • EnCodec：高保真神经音频编解码器
  • 多种模型大小：从 Small（300M）到 Large（3.3B）
  • 立体声支持：完整的立体声音频生成
  • 风格条件：MusicGen-Style 基于参考的生成

替代方案：

  • Stable Audio：用于更长的商业音乐生成
  • Bark：用于带音乐/音效的文本转语音
  • Riffusion：基于频谱图的音乐生成
  • OpenAI Jukebox：带歌词的原始音频生成

快速开始​

安装​

# 从 PyPI 安装
pip install audiocraft

# 从 GitHub 安装（最新版）
pip install git+https://github.com/facebookresearch/audiocraft.git

# 或使用 HuggingFace Transformers
pip install transformers torch torchaudio

基础文本转音乐（AudioCraft）​

import torchaudio
from audiocraft.models import MusicGen

# 加载模型
model = MusicGen.get_pretrained('facebook/musicgen-small')

# 设置生成参数
model.set_generation_params(
    duration=8,  # 秒
    top_k=250,
    temperature=1.0
)

# 从文本生成
descriptions = ["欢快、充满活力的电子舞曲，带有合成器"]
wav = model.generate(descriptions)

# 保存音频
torchaudio.save("output.wav", wav[0].cpu(), sample_rate=32000)

使用 HuggingFace Transformers​

from transformers import AutoProcessor, MusicgenForConditionalGeneration
import scipy

# 加载模型和处理器
processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")
model.to("cuda")

# 生成音乐
inputs = processor(
    text=["80年代流行曲风，带有低音鼓和合成器"],
    padding=True,
    return_tensors="pt"
).to("cuda")

audio_values = model.generate(
    **inputs,
    do_sample=True,
    guidance_scale=3,
    max_new_tokens=256
)

# 保存
sampling_rate = model.config.audio_encoder.sampling_rate
scipy.io.wavfile.write("output.wav", rate=sampling_rate, data=audio_values[0, 0].cpu().numpy())

使用 AudioGen 进行文本到音效生成​

from audiocraft.models import AudioGen

# 加载 AudioGen
model = AudioGen.get_pretrained('facebook/audiogen-medium')

model.set_generation_params(duration=5)

# 生成音效
descriptions = ["狗在公园里叫，鸟儿在啁啾"]
wav = model.generate(descriptions)

torchaudio.save("sound.wav", wav[0].cpu(), sample_rate=16000)

核心概念​

架构概览​

AudioCraft 架构：
┌──────────────────────────────────────────────────────────────┐
│                    文本编码器 (T5)                             │
│                         │                                     │
│                    文本嵌入                                   │
└────────────────────────┬─────────────────────────────────────┘
                         │
┌────────────────────────▼─────────────────────────────────────┐
│               Transformer 解码器 (LM)                          │
│     自回归生成音频 Token                                       │
│     使用高效的 Token 交错模式                                   │
└────────────────────────┬─────────────────────────────────────┘
                         │
┌────────────────────────▼─────────────────────────────────────┐
│                EnCodec 音频解码器                               │
│       将 Token 转换回音频波形                                   │
└──────────────────────────────────────────────────────────────┘

模型变体​

模型参数量描述适用场景
musicgen-small300M文本生成音乐快速生成
musicgen-medium1.5B文本生成音乐均衡
musicgen-large3.3B文本生成音乐最佳质量
musicgen-melody1.5B文本 + 旋律旋律条件生成
musicgen-melody-large3.3B文本 + 旋律最佳旋律
musicgen-stereo-*不等立体声输出立体声生成
musicgen-style1.5B风格迁移基于参考
audiogen-medium1.5B文本生成音效音效

生成参数​

参数默认值描述
duration8.0时长（秒，1-120）
top_k250Top-k 采样
top_p0.0核采样（0 = 禁用）
temperature1.0采样温度
cfg_coef3.0无分类器引导系数

MusicGen 使用​

文本生成音乐​

from audiocraft.models import MusicGen
import torchaudio

model = MusicGen.get_pretrained('facebook/musicgen-medium')

# 配置生成参数
model.set_generation_params(
    duration=30,          # 最长 30 秒
    top_k=250,            # 采样多样性
    top_p=0.0,            # 0 = 仅使用 top_k
    temperature=1.0,      # 创造力（越高越多样）
    cfg_coef=3.0          # 文本遵循度（越高越严格）
)

# 生成多个样本
descriptions = [
    "史诗管弦乐配乐，包含弦乐和铜管",
    "轻松低保真嘻哈节拍，带有爵士钢琴",
    "充满活力的摇滚歌曲，电吉他演奏"
]

# 生成（返回 [batch, channels, samples]）
wav = model.generate(descriptions)

# 分别保存
for i, audio in enumerate(wav):
    torchaudio.save(f"music_{i}.wav", audio.cpu(), sample_rate=32000)

旋律条件生成​

from audiocraft.models import MusicGen
import torchaudio

# Load melody model
model = MusicGen.get_pretrained('facebook/musicgen-melody')
model.set_generation_params(duration=30)

# Load melody audio
melody, sr = torchaudio.load("melody.wav")

# Generate with melody conditioning
descriptions = ["acoustic guitar folk song"]
wav = model.generate_with_chroma(descriptions, melody, sr)

torchaudio.save("melody_conditioned.wav", wav[0].cpu(), sample_rate=32000)

立体声生成​

from audiocraft.models import MusicGen

# Load stereo model
model = MusicGen.get_pretrained('facebook/musicgen-stereo-medium')
model.set_generation_params(duration=15)

descriptions = ["ambient electronic music with wide stereo panning"]
wav = model.generate(descriptions)

# wav shape: [batch, 2, samples] for stereo
print(f"Stereo shape: {wav.shape}")  # [1, 2, 480000]
torchaudio.save("stereo.wav", wav[0].cpu(), sample_rate=32000)

音频续写​

from transformers import AutoProcessor, MusicgenForConditionalGeneration

processor = AutoProcessor.from_pretrained("facebook/musicgen-medium")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-medium")

# Load audio to continue
import torchaudio
audio, sr = torchaudio.load("intro.wav")

# Process with text and audio
inputs = processor(
    audio=audio.squeeze().numpy(),
    sampling_rate=sr,
    text=["continue with a epic chorus"],
    padding=True,
    return_tensors="pt"
)

# Generate continuation
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=512)

MusicGen-Style 用法​

风格条件生成​

from audiocraft.models import MusicGen

# Load style model
model = MusicGen.get_pretrained('facebook/musicgen-style')

# Configure generation with style
model.set_generation_params(
    duration=30,
    cfg_coef=3.0,
    cfg_coef_beta=5.0  # Style influence
)

# Configure style conditioner
model.set_style_conditioner_params(
    eval_q=3,          # RVQ quantizers (1-6)
    excerpt_length=3.0  # Style excerpt length
)

# Load style reference
style_audio, sr = torchaudio.load("reference_style.wav")

# Generate with text + style
descriptions = ["upbeat dance track"]
wav = model.generate_with_style(descriptions, style_audio, sr)

仅风格生成（无文本）​

# Generate matching style without text prompt
model.set_generation_params(
    duration=30,
    cfg_coef=3.0,
    cfg_coef_beta=None  # Disable double CFG for style-only
)

wav = model.generate_with_style([None], style_audio, sr)

AudioGen 用法​

音效生成​

from audiocraft.models import AudioGen
import torchaudio

model = AudioGen.get_pretrained('facebook/audiogen-medium')
model.set_generation_params(duration=10)

# Generate various sounds
descriptions = [
    "thunderstorm with heavy rain and lightning",
    "busy city traffic with car horns",
    "ocean waves crashing on rocks",
    "crackling campfire in forest"
]

wav = model.generate(descriptions)

for i, audio in enumerate(wav):
    torchaudio.save(f"sound_{i}.wav", audio.cpu(), sample_rate=16000)

EnCodec 用法​

音频压缩​

from audiocraft.models import CompressionModel
import torch
import torchaudio

# 加载 EnCodec
model = CompressionModel.get_pretrained('facebook/encodec_32khz')

# 加载音频
wav, sr = torchaudio.load("audio.wav")

# 确保采样率正确
if sr != 32000:
    resampler = torchaudio.transforms.Resample(sr, 32000)
    wav = resampler(wav)

# 编码为 token
with torch.no_grad():
    encoded = model.encode(wav.unsqueeze(0))
    codes = encoded[0]  # 音频编码

# 解码回音频
with torch.no_grad():
    decoded = model.decode(codes)

torchaudio.save("reconstructed.wav", decoded[0].cpu(), sample_rate=32000)

常见工作流​

工作流 1：音乐生成流水线​

import torch
import torchaudio
from audiocraft.models import MusicGen

class MusicGenerator:
    def __init__(self, model_name="facebook/musicgen-medium"):
        self.model = MusicGen.get_pretrained(model_name)
        self.sample_rate = 32000

    def generate(self, prompt, duration=30, temperature=1.0, cfg=3.0):
        self.model.set_generation_params(
            duration=duration,
            top_k=250,
            temperature=temperature,
            cfg_coef=cfg
        )

        with torch.no_grad():
            wav = self.model.generate([prompt])

        return wav[0].cpu()

    def generate_batch(self, prompts, duration=30):
        self.model.set_generation_params(duration=duration)

        with torch.no_grad():
            wav = self.model.generate(prompts)

        return wav.cpu()

    def save(self, audio, path):
        torchaudio.save(path, audio, sample_rate=self.sample_rate)

# 使用示例
generator = MusicGenerator()
audio = generator.generate(
    "史诗级电影管弦乐",
    duration=30,
    temperature=1.0
)
generator.save(audio, "epic_music.wav")

工作流 2：音效批量处理​

import json
from pathlib import Path
from audiocraft.models import AudioGen
import torchaudio

def batch_generate_sounds(sound_specs, output_dir):
    """
    根据规格批量生成音效。

    参数：
        sound_specs: 列表，每个元素为 {"name": str, "description": str, "duration": float}
        output_dir: 输出目录路径
    """
    model = AudioGen.get_pretrained('facebook/audiogen-medium')
    output_dir = Path(output_dir)
    output_dir.mkdir(exist_ok=True)

    results = []

    for spec in sound_specs:
        model.set_generation_params(duration=spec.get("duration", 5))

        wav = model.generate([spec["description"]])

        output_path = output_dir / f"{spec['name']}.wav"
        torchaudio.save(str(output_path), wav[0].cpu(), sample_rate=16000)

        results.append({
            "name": spec["name"],
            "path": str(output_path),
            "description": spec["description"]
        })

    return results

# 使用示例
sounds = [
    {"name": "explosion", "description": "伴有碎石的巨大爆炸声", "duration": 3},
    {"name": "footsteps", "description": "木地板上的脚步声", "duration": 5},
    {"name": "door", "description": "木门吱呀作响并关闭", "duration": 2}
]

results = batch_generate_sounds(sounds, "sound_effects/")

工作流 3：Gradio 演示​

import gradio as gr
import torch
import torchaudio
from audiocraft.models import MusicGen

model = MusicGen.get_pretrained('facebook/musicgen-small')

def generate_music(prompt, duration, temperature, cfg_coef):
    model.set_generation_params(
        duration=duration,
        temperature=temperature,
        cfg_coef=cfg_coef
    )

    with torch.no_grad():
        wav = model.generate([prompt])

    # 保存到临时文件
    path = "temp_output.wav"
    torchaudio.save(path, wav[0].cpu(), sample_rate=32000)
    return path

demo = gr.Interface(
    fn=generate_music,
    inputs=[
        gr.Textbox(label="音乐描述", placeholder="欢快的电子舞曲"),
        gr.Slider(1, 30, value=8, label="时长（秒）"),
        gr.Slider(0.5, 2.0, value=1.0, label="温度"),
        gr.Slider(1.0, 10.0, value=3.0, label="CFG 系数")
    ],
    outputs=gr.Audio(label="生成的音乐"),
    title="MusicGen 演示"
)

demo.launch()

性能优化​

内存优化​

# 使用更小的模型
model = MusicGen.get_pretrained('facebook/musicgen-small')

# 每次生成后清除缓存
torch.cuda.empty_cache()

# 生成更短的时长
model.set_generation_params(duration=10)  # 代替 30

# 使用半精度
model = model.half()

批处理效率​

# 一次处理多个提示（更高效）
descriptions = ["prompt1", "prompt2", "prompt3", "prompt4"]
wav = model.generate(descriptions)  # 单批次

# 而不是
for desc in descriptions:
    wav = model.generate([desc])  # 多批次（更慢）

GPU 内存需求​

模型FP32 显存FP16 显存
musicgen-small~4GB~2GB
musicgen-medium~8GB~4GB
musicgen-large~16GB~8GB

常见问题​

问题解决方案
CUDA 内存不足使用更小的模型，缩短时长
质量差提高 cfg_coef，优化提示词
生成内容太短检查最大时长设置
音频伪影尝试不同的温度值
立体声不工作使用立体声模型变体

参考​

资源​