昇思25天学习打卡营第11天|基于MindNLP+MusicGen生成自己的个性化音乐

MusicGen模型基于Transformer结构，可以分解为三个不同的阶段:

1. 用户输入的文本描述作为输入传递给一个固定的文本编码器模型，以获得一系列隐形状态表示

2. 训练MusicGen解码器来预测离散的隐形状态音频token

3. 对这些音频token使用音频压缩模型（如EnCodec）进行解码，以恢复音频波形

MusicGen 模型的新颖之处在于音频代码的预测方式。传统上，每个码本都必须由一个单独的模型（即分层）或通过不断优化 Transformer 模型的输出（即上采样）进行预测。与传统方法不同，MusicGen采用单个stage的Transformer LM结合高效的token交织模式，取消了多层级的多个模型结构，例如分层或上采样，这使得MusicGen能够生成单声道和立体声的高质量音乐样本，同时提供更好的生成输出控制。MusicGen不仅能够生成符合文本描述的音乐，还能够通过旋律条件控制生成的音调结构。

下载模型

MusicGen提供了small、medium和big三种规格的预训练文件，本文采用small规格的权重

from mindnlp.transformers import MusicgenForConditionalGeneration
 
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

生成音乐

MusicGen支持两种生成模式：贪心（greedy）和采样（sampling）。在实际执行过程中，采样模式得到的结果要显著优于贪心模式。

无提示生成

%%time
unconditional_inputs = model.get_unconditional_inputs(num_samples=1)
 
audio_values = model.generate(**unconditional_inputs, do_sample=True, max_new_tokens=256)

import scipy
 
sampling_rate = model.config.audio_encoder.sampling_rate
scipy.io.wavfile.write("musicgen_out.wav", rate=sampling_rate, data=audio_values[0, 0].asnumpy())

from IPython.display import Audio
# 要收听生成的音频样本，可以使用 Audio 在 notebook 进行播放
Audio(audio_values[0].asnumpy(), rate=sampling_rate)

audio_length_in_s = 256 / model.config.audio_encoder.frame_rate
 
audio_length_in_s

文本提示生成

%%time
from mindnlp.transformers import AutoProcessor
 
processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
 
inputs = processor(
    text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"],
    padding=True,
    return_tensors="ms",
)
 
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

scipy.io.wavfile.write("musicgen_out_text.wav", rate=sampling_rate, data=audio_values[0, 0].asnumpy())

from IPython.display import Audio
# 要收听生成的音频样本，可以使用 Audio 在 notebook 进行播放
Audio(audio_values[0].asnumpy(), rate=sampling_rate)

音频提示生成

%%time
from datasets import load_dataset
 
processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
dataset = load_dataset("sanchit-gandhi/gtzan", split="train", streaming=True)
sample = next(iter(dataset))["audio"]
 
# take the first half of the audio sample
sample["array"] = sample["array"][: len(sample["array"]) // 2]
 
inputs = processor(
    audio=sample["array"],
    sampling_rate=sample["sampling_rate"],
    text=["80s blues track with groovy saxophone"],
    padding=True,
    return_tensors="ms",
)
 
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

scipy.io.wavfile.write("musicgen_out_audio.wav", rate=sampling_rate, data=audio_values[0, 0].asnumpy())

from IPython.display import Audio
# 要收听生成的音频样本，可以使用 Audio 在 notebook 进行播放
Audio(audio_values[0].asnumpy(), rate=sampling_rate)

要恢复最终音频样本，可以对生成的audio_values进行后处理，以再次使用处理器类删除填充：

sample = next(iter(dataset))["audio"]
 
# take the first quater of the audio sample
sample_1 = sample["array"][: len(sample["array"]) // 4]
 
# take the first half of the audio sample
sample_2 = sample["array"][: len(sample["array"]) // 2]
 
inputs = processor(
    audio=[sample_1, sample_2],
    sampling_rate=sample["sampling_rate"],
    text=["80s blues track with groovy saxophone", "90s rock song with loud guitars and heavy drums"],
    padding=True,
    return_tensors="ms",
)
 
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)
 
# post-process to remove padding from the batched audio
audio_values = processor.batch_decode(audio_values, padding_mask=inputs.padding_mask)

Audio(audio_values[0], rate=sampling_rate)

生成配置

控制生成过程的默认参数（例如采样、指导比例和生成的令牌数量）可以在模型的生成配置中找到，并根据需要进行更新。首先检查默认的生成配置：

model.generation_config
 
# increase the guidance scale to 4.0
model.generation_config.guidance_scale = 4.0
 
# set the max new tokens to 256
model.generation_config.max_new_tokens = 256
 
# set the softmax sampling temperature to 1.5
model.generation_config.temperature = 1.5

重新运行生成将使用生成配置中新定义的值

audio_values = model.generate(**inputs)

总结

 本文将MindNLP和MusicGen模型结合，用于生成音乐