用文本生成 Lo-Fi | AudioCraft & MusicGen 实战

Published: at 12:20 AM

MusicGen 是 Meta 于2023年6月发布的开源音乐模型，我等待了20分钟在 Mac 上创作了一段简短的 Lo-Fi 音乐。在阅读文章之前，读者可以先试听一下这段音乐。

本文并不会从学术领域介绍模型，如果你对论文感兴趣可以移步 Simple and Controllable Music Generation。Music Structure

前言

人工智能音乐创作的阶段演进可以具体分为以下几个阶段：

  1. 基于规则的阶段（Rule-Based）： 上世纪五六十年代主要依赖预定的音乐规则和算法，包括早期的音乐生成软件，如MusiCog。
  2. 基于模型的阶段（Model-Based）： 随着机器学习的兴起，音乐生成开始采用基于模型的方法，使用统计模型和学习算法，Magenta就采用了循环神经网络（RNN）来学习音乐的结构和风格。
  3. 深度学习阶段（Deep Learning）： 近年来深度学习技术的发展推动了人工智能音乐创作的进一步发展。使用卷积神经网络（CNN）和长短时记忆网络（LSTM）等深度学习模型，使系统更好地理解音乐的层次结构和语境。

如果你对这个深度学习生成音乐议题感兴趣，可以移步DEEP LEARNING FOR MUSIC GENERATION，我比较感兴趣的的模型主要有deepjazz、MusicLM、MusicGen，后文中提到的人工智能生成音乐工具都会围绕MusicGen展开。

清单

介绍

MusicLM 由Google在2023年1月发布，而 MusicGen 由Meta于2023年6月发布。

根据 Techcrunch 编辑 Kyle Wiggers的测评，两者表现不分伯仲，但 MusicGen 在与文本匹配度与作曲可信度上更胜一筹，并且 MusicGen 在使用方式上除了文本提示还可搭配音频一同作为生成音乐的条件。

Text-to-music

MusicGen 在官方网站上提供了音乐片段的试听，并且在 HuggingFace 上提供了试玩。该开源的模型本身基于PyTorch，你可以通过这两个网页对这个模型有一个大概的了解。

HuggingFace

截至1.0版本，MusicGen 包含了以下几种模型

  1. facebook/musicgen-melody — a music generation model capable of generating music condition on text and melody inputs. Note, you can also use text only.
  2. facebook/musicgen-small — a 300M transformer decoder conditioned on text only.
  3. facebook/musicgen-medium — a 1.5B transformer decoder conditioned on text only.
  4. facebook/musicgen-large — a 3.3B transformer decoder conditioned on text only.
  5. facebook/musicgen-melody-large — a 3.3B transformer decoder conditioned on and melody.
  6. facebook/musicgen-stereo-* same as the previous models but fine tuned to output stereo audio.

Meta 给出了这几个模型在 MusicCaps 数据集上的表现，有四个指标来衡量

Model Frechet Audio Distance KLD Text Consistency Chroma Cosine Similarity
facebook/musicgen-small 4.88 1.42 0.27 -
facebook/musicgen-medium 5.14 1.38 0.28 -
facebook/musicgen-large 5.48 1.37 0.28 -
facebook/musicgen-melody 4.93 1.41 0.27 0.44

在我冲浪的时候我发现了Youtube上的博主Tim Pearce展示的使用AI工具创作的五小时Lo-Fi音乐，就听感上来说和流媒体音乐平台听到的 Lo-Fi 非常接近了，从描述看他的创作流程大致包括了

Youtube 这为我们创作流水线音乐提供了重要思路。

安装

AudioCraft 安装非常简单直接，你首先需要确保你的计算机上具备

# 如果还没有安装Pytorch
python -m pip install 'torch==2.1.0'

# 在安装软件包之前运行这行代码
python -m pip install setuptools wheel

# 运行其中一行代码，分别对应了稳定版｜实验版｜clone 到本地进行训练
python -m pip install -U audiocraft
python -m pip install -U git+https://git@github.com/facebookresearch/audiocraft#egg=audiocraft
python -m pip install -e .

# 推荐安装ffmpeg
sudo apt-get install ffmpeg
# 在Mac上可以使用homebrew
brew install ffmpeg

# 如果使用 Anaconda 或 Miniconda
conda install "ffmpeg<5" -c conda-forge

AudioCraft 提供了 GUI 和 API 两种使用方式，如果你是初学者，建议直接用 GUI 体验音乐创作过程。

配置

GUI

当你安装好以上的软件包之后，在命令行中输入以下命令就可以立即开始你的音乐创作。

cd audiocraft
python -m demos.musicgen_app --share

AudioCraft 会启动服务让你能够在本机和远程访问GUI，如果顺利启动了，你会看到如下的提示：

Running on local URL:  http://127.0.0.1:7860
Running on public URL: https://{XXXXXXXXXXXXXX}.gradio.live

直接用浏览器访问 http://127.0.0.1:7860 就可以访问。

Run

你可以直接在操作面板上选择模型、更改参数或者附加旋律文件。如果你希望尽快开始，只需输入你希望生成的音乐描述并点击“Submit”按钮，模型就会自动开始下载（取决于网络速度），并在一段时间内生成音乐文件。

API

如果你对 Jupyter NoteBook 比较了解，可以直接跳过这一部分，直接参考../demos/musicgen_demo.ipynb这个文件.

AudioCraft 提供了简略的API文档，可以方便开发者执行一些下游任务。为了搞明白怎么把模型在命令行跑起来，你需要了解一些相关参数。

首先需要初始化 MusicGen，您可以从前文中选择一个模型快速开始，这里简化流程使用了facebook/musicgen-small这个模型。

from audiocraft.models import MusicGen
from audiocraft.models import MultiBandDiffusion

USE_DIFFUSION_DECODER = False
# Using small model, better results would be obtained with `medium` or `large`.
model = MusicGen.get_pretrained('facebook/musicgen-small')
if USE_DIFFUSION_DECODER:
    mbd = MultiBandDiffusion.get_mbd_musicgen()

model.set_generation_params(
    use_sampling=True,
    top_k=250,
    duration=30
)

AudioCraft 包含了一些可配置的生成参数，你可以了解一下每个参数的用途，也可以直接使用默认值。

官方给出的 Demo 按照下游任务进行了区分，分别是音乐续作、文本生成音乐以及旋律生成音乐。

音乐续作

音乐续作需要用到的能力是generate_continuation，官方的 Demo 使用这个函数来生成一个包含”bip bip”声音的序列，并使用这个序列给定相应的参数来生成音频。

    def generate_continuation(self, prompt: torch.Tensor, prompt_sample_rate: int,
                              descriptions: tp.Optional[tp.List[tp.Optional[str]]] = None,
                              progress: bool = False, return_tokens: bool = False) \
            -> tp.Union[torch.Tensor, tp.Tuple[torch.Tensor, torch.Tensor]]:
        """Generate samples conditioned on audio prompts.

        Args:
            prompt (torch.Tensor): A batch of waveforms used for continuation.
                Prompt should be [B, C, T], or [C, T] if only one sample is generated.
            prompt_sample_rate (int): Sampling rate of the given audio waveforms.
            descriptions (list of str, optional): A list of strings used as text conditioning. Defaults to None.
            progress (bool, optional): Flag to display progress of the generation process. Defaults to False.
        """

以下get_bip_bip函数能够生成一系列以给定频率播放的”bip bip”声（“bip bip”声是一种常见的电子音乐声音效果,通常由电子合成器生成），其中函数的参数包括:

import math
import torchaudio
import torch
from audiocraft.utils.notebook import display_audio

def get_bip_bip(bip_duration=0.125, frequency=440,
                duration=0.5, sample_rate=32000, device="cuda"):
    t = torch.arange(
        int(duration * sample_rate), device="cuda", dtype=torch.float) / sample_rate
    wav = torch.cos(2 * math.pi * 440 * t)[None]
    tp = (t % (2 * bip_duration)) / (2 * bip_duration)
    envelope = (tp >= 0.5).float()
    return wav * envelope


 # 使用合成信号来提示生成音频的音调和BPM。
res = model.generate_continuation(
    get_bip_bip(0.125).expand(2, -1, -1),
    32000, ['Jazz jazz and only jazz',
            'Heartful EDM with beautiful synths and chords'],
    progress=True)
display_audio(res, 32000)

progress=True表示在生成音频的过程中显示进度，传递给generate_continuation方法的descriptions包含两个部分，最后使用 display_audio 函数来显示这个音频，对应的生成结果可以在下面试听。

仓库的assets文件夹下给出了一些可用的音频，当然你也可以用自己的音频，如果音频太长请务必提前修剪。

prompt_waveform, prompt_sr = torchaudio.load("../assets/bach.mp3")
prompt_duration = 2
prompt_waveform = prompt_waveform[..., :int(prompt_duration * prompt_sr)]
output = model.generate_continuation(prompt_waveform, prompt_sample_rate=prompt_sr, progress=True, return_tokens=True)
display_audio(output[0], sample_rate=32000)
if USE_DIFFUSION_DECODER:
    out_diffusion = mbd.tokens_to_wav(output[1])
    display_audio(out_diffusion, sample_rate=32000)

文本条件生成

如果你只想要简单的用文本生成音乐，你需要关心的只有generate这个方法。

    def generate(self, descriptions: tp.List[str], progress: bool = False, return_tokens: bool = False) \
            -> tp.Union[torch.Tensor, tp.Tuple[torch.Tensor, torch.Tensor]]:
        """Generate samples conditioned on text.

        Args:
            descriptions (list of str): A list of strings used as text conditioning.
            progress (bool, optional): Flag to display progress of the generation process. Defaults to False.
        """

相较于音乐续作，文本条件生成音乐需要关注的参数更少，可以尝试用不同的descriptions生成不同风格的音乐，这也是 AIGC 的乐趣所在。

from audiocraft.utils.notebook import display_audio

output = model.generate(
    descriptions=[
        #'80s pop track with bassy drums and synth',
        #'90s rock song with loud guitars and heavy drums',
        #'Progressive rock drum and bass solo',
        #'Punk Rock song with loud drum and power guitar',
        #'Bluesy guitar instrumental with soulful licks and a driving rhythm section',
        #'Jazz Funk song with slap bass and powerful saxophone',
        'drum and bass beat with intense percussions'
    ],
    progress=True, return_tokens=True
)
display_audio(output[0], sample_rate=32000)
if USE_DIFFUSION_DECODER:
    out_diffusion = mbd.tokens_to_wav(output[1])
    display_audio(out_diffusion, sample_rate=32000)

旋律条件生成

如果需要使用旋律条件生成音乐，需要使用facebook/musicgen-melody相关的模型。

    def generate_with_chroma(self, descriptions: tp.List[str], melody_wavs: MelodyType,
                             melody_sample_rate: int, progress: bool = False,
                             return_tokens: bool = False) -> tp.Union[torch.Tensor,
                                                                      tp.Tuple[torch.Tensor, torch.Tensor]]:
        """Generate samples conditioned on text and melody.

        Args:
            descriptions (list of str): A list of strings used as text conditioning.
            melody_wavs: (torch.Tensor or list of Tensor): A batch of waveforms used as
                melody conditioning. Should have shape [B, C, T] with B matching the description length,
                C=1 or 2. It can be [C, T] if there is a single description. It can also be
                a list of [C, T] tensors.
            melody_sample_rate: (int): Sample rate of the melody waveforms.
            progress (bool, optional): Flag to display progress of the generation process. Defaults to False.
        """

Demo 代码设置了模型的生成参数，将音乐的持续时间设置为8秒。运行后将从./assets/bach.mp3文件加载音频数据并将其转换为模型可以处理的格式，之后结合参数使用模型生成音乐，笔者同样将产物粘贴于此。

import torchaudio
from audiocraft.utils.notebook import display_audio

model = MusicGen.get_pretrained('facebook/musicgen-melody')
model.set_generation_params(duration=8)

melody_waveform, sr = torchaudio.load("../assets/bach.mp3")
melody_waveform = melody_waveform.unsqueeze(0).repeat(2, 1, 1)
output = model.generate_with_chroma(
    descriptions=[
        '80s pop track with bassy drums and synth',
        '90s rock song with loud guitars and heavy drums',
    ],
    melody_wavs=melody_waveform,
    melody_sample_rate=sr,
    progress=True, return_tokens=True
)
display_audio(output[0], sample_rate=32000)
if USE_DIFFUSION_DECODER:
    out_diffusion = mbd.tokens_to_wav(output[1])
    display_audio(out_diffusion, sample_rate=32000)

FAQ

MODEL = MusicGen.get_pretrained({model}, device='cpu')
with gr.Row():
        duration = gr.Slider(minimum=1, maximum=120, value=10, label="Duration", interactive=True)
"Generate a Lo-Fi music snippet with a gentle electric piano and soft drum beats, creating a warm and relaxed atmosphere."
"Produce a Lo-Fi music piece emphasizing soothing guitar and natural ambient sounds, evoking a sense of tranquility and comfort."
"Compose a Lo-Fi music track using smooth synthesizers and soft percussion, aiming for a relaxed and pleasant vibe."
"Craft a Lo-Fi music snippet with a flowing melody, incorporating gentle drum beats and subtle vocal nuances for a dreamy atmosphere."
"Generate Lo-Fi music by blending warm piano tones with light, lively drum beats, offering both tranquility and a touch of vitality."
"Build a Lo-Fi music piece using deep bass tones and mellow synth sounds, creating an immersive and meditative experience."
"Create Lo-Fi music with a slow tempo and serene melody, providing a sense of relaxation and meditation."
"Use soft piano tones and airy synthesizers to produce a Lo-Fi music track, capturing the feeling of strolling through a peaceful summer afternoon."
"Generate Lo-Fi music with a combination of slow rhythms, mellow guitar, and subtle electronic effects, establishing a relaxed and joyful atmosphere."
"Compose a Lo-Fi music piece featuring melodic strings and warm synthesizers, infusing a hint of romance and tranquility."

应用

AI生成音乐的前景是无穷的，如果算力能够达到要求让生成音乐的时间短于音乐播放的时间，这样生成的音乐就一直是不同的、连贯的，同时可以想象的落地的场景也很多，例如

试想你开了一家程序员咖啡店搭建了一整套创作流水线，只需要在输入框输入prompt“适合咖啡店播放的Jazz音乐”，抑或在下雨天可以键入“适合雨天播放的慢节奏爵士乐”，你的计算设备就能够为你输出永不间断且几乎永不重复的音乐，你甚至不需要为音乐支付版权费用。

后记

目前 MusicGen 的应用还仅限于研究领域，如果在未来投入商业领域还有诸多问题亟待解决，例如

但无疑，MusicGen 可以成为一个得力的工具。在编程领域我们提出结对编程这个概念，在音乐创作领域是否会有更多结对谱曲的出现呢，让我们拭目以待。

参考