🐈 friendly-stable-audio-tools

本仓库是对 stable-audio-tools 的重构/更新版本，stable-audio-tools 是 Stability AI 最初开发的音频/音乐生成模型开源代码。

• https://github.com/Stability-AI/stable-audio-tools

本仓库包含以下额外功能：

• 🔥 重构了 stable-audio-tools 的代码，提高了可读性和易用性。
• 🔥 提供了用于评估和使用自己训练模型的实用脚本。
• 🔥 提供了如何训练 Stable Audio 2.0 等模型的说明。
• 🔥 为使用 Stable Audio Open 1.0 提供了详细文档和便捷脚本。

🔥 Stable Audio Open

Stability AI 现已开源 Stable Audio 的预训练模型。

• 官方发布：Introducing Stable Audio Open

如果您对如何使用 Stable Audio Open 感兴趣，请参阅以下文档以获取详细说明。

• 🔥 Stable Audio Open 1.0 文档
• 🔥 现在您可以使用通过 YAML 文件提供的提示输入进行多 GPU/节点生成。 请参见此处的示例 -> generate_conditions.yaml。

要求

• PyTorch 2.0 或更高版本，以支持 Flash Attention
• 本仓库的开发在 Python 3.8.10 或更高版本中进行

安装

要运行训练脚本或推理代码，您需要克隆此仓库，导航到根目录，然后执行以下 pip 命令：

$ git clone https://github.com/yukara-ikemiya/friendly-stable-audio-tools.git
$ cd friendly-stable-audio-tools
$ pip install .
$ # 为避免 Accelerate 导入错误，您可能需要执行以下命令
$ pip uninstall -y transformer-engine

构建训练环境

为简化训练环境的设置，我建议使用 Docker 或 Singularity 等容器系统，而不是在每台 GPU 机器上安装依赖项。以下是创建 Docker 和 Singularity 容器的步骤。

所有示例脚本都存储在 container 文件夹中。

请确保事先安装了 Docker 和 Singularity。

1. 创建 Docker 镜像

$ # 创建 Docker 镜像
$ NAME=friendly-stable-audio-tools
$ docker build  -t ${NAME} -f ./container/${NAME}.Dockerfile .

2. 将 Docker 镜像转换为 Singularity 容器

$ # 将 Docker 镜像转换为 Singularity 容器
$ singularity build friendly-stable-audio-tools.sif docker-daemon://friendly-stable-audio-tools

运行上述脚本后，应在工作目录中创建 friendly-stable-audio-tools.sif。

界面

提供了一个基本的 Gradio 界面来测试训练好的模型。

例如，要为 stable-audio-open-1.0 模型创建界面，一旦您在 Hugging Face 上接受了模型条款，您可以运行：

$ python3 ./run_gradio.py --pretrained-name stabilityai/stable-audio-open-1.0

如果您需要关于 Stable Audio Open 的更详细说明，我建议参考 Stable Audio Open 文档中的 Gradio 界面 部分。

run_gradio.py 脚本接受以下命令行参数：

• --pretrained-name PRETRAINED_NAME（可选）
  • Hugging Face Hub 上的模型名称（例如 stabilityai/stable-audio-open-1.0）
  • 将优先选择仓库中的 model.safetensors 而非 model.ckpt
  • 指定此参数时，将忽略 model-config 和 ckpt-path。
• --model-config MODEL_CONFIG（可选）
  • 本地模型的模型配置文件路径
• --ckpt-path CKPT_PATH（可选）
  • 本地模型的未包装模型检查点文件路径
• --pretransform-ckpt-path PRETRANSFORM_CKPT_PATH（可选）
  • 未包装的预转换检查点路径。这将替换模型中的预转换。
• --username USERNAME / --password PASSWORD（可选）
  • 用于设置 Gradio 演示的登录信息
• --model-half（可选）
  • 是否使用半精度
• --tmp-dir TMP_DIR（可选）
  • 保存输出文件的临时目录

日志记录

WandB 设置

训练代码还需要一个 Weights & Biases 账户来记录训练输出和演示。创建账户并使用以下命令登录：

$ wandb login

或者您也可以通过环境变量 WANDB_API_KEY 传递 API 密钥。 （登录账户后，您可以从 https://wandb.ai/authorize 获取 API 密钥。）

$ WANDB_API_KEY="12345x6789y..."

当您想使用 Docker 或 Singularity 等容器执行代码时，这种方法很方便。

训练

配置文件

在开始训练之前，您需要准备以下两个配置文件。

• 模型配置文件
• 数据集配置文件

有关这些文件的更多信息，请参阅下面的配置部分。

从头开始训练

要开始训练，请在仓库根目录中运行 train.py 脚本：

$ python3 train.py --dataset-config /path/to/dataset/config --model-config /path/to/model/config --name my_experiment

--name 参数将设置您的 Weights and Biases 运行的项目名称。

微调

微调涉及从预训练检查点恢复训练运行。

• 要从包装的检查点恢复训练，您可以使用 --ckpt-path 标志将检查点路径 (.ckpt) 传递给 train.py。
• 要从预训练的未包装模型开始全新训练，您可以使用 --pretrained-ckpt-path 标志将未包装的检查点路径 (.ckpt) 传递给 train.py。

解包模型

stable-audio-tools 使用 PyTorch Lightning 来实现多 GPU 和多节点训练。

当模型正在训练时，它被包装在一个"训练包装器"中，这是一个包含所有仅用于训练的相关对象的 pl.LightningModule。这包括自动编码器的判别器、模型的 EMA 副本以及所有优化器状态等内容。

训练期间创建的检查点文件包括这个训练包装器，这大大增加了检查点文件的大小。

unwrap_model.py 接收一个包装的模型检查点，并保存一个仅包含模型本身的新检查点文件。

可以从存储库根目录运行以下命令：

$ python3 unwrap_model.py --model-config /path/to/model/config --ckpt-path /path/to/wrapped/ckpt.ckpt --name /new/path/to/new_ckpt_name

未包装的模型检查点是以下情况所必需的：

• 推理脚本
• 将模型用作另一个模型的预转换（例如，将自动编码器模型用于潜在扩散）
• 使用修改后的配置对预训练模型进行微调（即部分初始化）

配置

stable-audio-tools 的训练和推理代码基于 JSON 配置文件，这些文件定义了模型超参数、训练设置和有关训练数据集的信息。

模型配置

模型配置文件定义了加载模型进行训练或推理所需的所有信息。它还包含微调模型或从头开始训练所需的训练配置。

模型配置的顶层定义了以下属性：

• model_type
  • 正在定义的模型类型，目前仅限于 "autoencoder", "diffusion_uncond", "diffusion_cond", "diffusion_cond_inpaint", "diffusion_autoencoder", "lm" 之一。
• sample_size
  • 训练期间提供给模型的音频长度，以样本为单位。对于扩散模型，这也是推理时使用的原始音频样本长度。
• sample_rate
  • 训练期间提供给模型的音频采样率，以及推理期间生成的音频采样率，单位为 Hz。
• audio_channels
  • 训练期间提供给模型的音频通道数，以及推理期间生成的音频通道数。默认为 2。单声道设置为 1。
• model
  • 正在定义的模型的具体配置，根据 model_type 而变化。
• training
  • 模型的训练配置，根据 model_type 而变化。提供训练参数以及演示。

数据集配置

stable-audio-tools 目前支持两种数据源：本地音频文件目录和存储在 Amazon S3 中的 WebDataset 数据集。更多信息可以在数据集配置文档中找到。

其他训练标志

train.py 的其他可选标志包括：

• --config-file
  • 存储库根目录中 defaults.ini 文件的路径，如果从存储库根目录以外的目录运行 train.py，则需要此标志。
• --pretransform-ckpt-path
  • 用于各种模型类型，如潜在扩散模型，以加载预训练的自动编码器。需要未包装的模型检查点。
• --save-dir
  • 保存模型检查点的目录。
• --checkpoint-every
  • 保存检查点之间的步数。
  • 默认值：10000
• --batch-size
  • 训练期间每个 GPU 的样本数。应设置为 GPU VRAM 所允许的最大值。
  • 默认值：8
• --num-gpus
  • 每个节点用于训练的 GPU 数量。
  • 默认值：1
• --num-nodes
  • 用于训练的 GPU 节点数量。
  • 默认值：1
• --accum-batches
  • 启用并设置梯度批累积的批次数。在较小的 GPU 上训练时，用于增加有效批量大小。
• --strategy
  • 分布式训练的多 GPU 策略。设置为 deepspeed 将启用 DeepSpeed ZeRO Stage 2。
  • 默认值：如果 --num_gpus > 1，则为 ddp，否则为 None
• --precision
  • 训练期间使用的浮点精度。
  • 默认值：16
• --num-workers
  • 数据加载器使用的 CPU 工作进程数。
• --seed
  • PyTorch 的 RNG 种子，有助于确定性训练。

🔥 让我们训练 Stable Audio 2.0

先决条件

准备 CLAP 编码器的检查点

要使用 CLAP 编码器进行音乐生成的条件控制，您必须准备 CLAP 的预训练检查点文件。

1. 从 LAION CLAP 存储库 下载使用音乐数据集训练的预训练 CLAP 检查点（music_audioset_epoch_15_esc_90.14.pt）。
2. 将检查点文件存储到您选择的目录中。
3. 按如下方式编辑 Stable Audio 2.0 的 模型配置 文件

= stable_audio_2_0.json =

...
"model": {
  ...
  "conditioning": {
            "configs": [
                {
                    ...
                    "config": {
                        ...
                        "clap_ckpt_path": "ckpt/clap/music_audioset_epoch_15_esc_90.14.pt",
                    ...

准备用于训练的音频和元数据

由于 Stable Audio 使用文本提示作为音乐生成的条件，因此除了音频数据之外，您还必须准备它们作为元数据。

在本地环境中使用数据集时，我建议使用以下 JSON 格式的元数据。

1. 您可以在 JSON 文件中包含任何信息作为元数据，但必须始终包含名为 prompt 的文本数据，这是 Stable Audio 训练所需的。 = music_2.json =

{
    "prompt": "这是一首传递正能量的电子音乐。"
}

2. 元数据文件必须与相应的音频文件放在同一目录下。文件名也必须相同。

.
└── dataset/
    ├── music_1.wav
    ├── music_1.json
    ├── music_2.wav
    ├── music_2.json
    └── ...

第一阶段：VAE-GAN（压缩模型）

训练

作为Stable Audio 2.0的第一阶段，你将训练一个VAE-GAN，这是一个音频信号的压缩模型。

VAE-GAN的模型配置文件位于configs目录中。关于数据集配置，请根据你自己的数据集准备相应的数据集配置文件。

准备好配置文件后，你可以这样执行训练任务：

CONTAINER_PATH="/path/to/sif/friendly-stable-audio-tools.sif"
ROOT_DIR="/path/to/friendly-stable-audio-tools/"
DATASET_DIR="/path/to/your/dataset/"
OUTPUT_DIR="/path/to/output/directory/"

MODEL_CONFIG="stable_audio_tools/configs/model_configs/autoencoders/stable_audio_2_0_vae.json"
DATASET_CONFIG="stable_audio_tools/configs/dataset_configs/local_training_example.json"

BATCH_SIZE=10 # 警告：这是每个GPU的批量大小
WANDB_API_KEY="12345x6789y..."
PORT=12345

# Singularity容器案例
# 注意：请根据需要修改各项配置

singularity exec --nv --pwd $ROOT_DIR -B $ROOT_DIR -B $DATASET_DIR \
  --env WANDB_API_KEY=$WANDB_API_KEY \
  ${CONTAINER_PATH} \
  torchrun --nproc_per_node gpu --master_port ${PORT} \
  ${ROOT_DIR}/train.py \
    --dataset-config ${DATASET_CONFIG} \
    --model-config ${MODEL_CONFIG} \
    --name "vae_training" \
    --num-gpus 8 \
    --batch-size ${BATCH_SIZE} \
    --num-workers 8 \
    --save-dir ${OUTPUT_DIR}

模型解包

如解包模型部分所述， 完成VAE训练后， 你需要解包模型检查点以用于下一阶段的训练。

CKPT_PATH="/path/to/wrapped_ckpt/last.ckpt"
# 注意：文件扩展名".ckpt"将自动添加到OUTPUT_DIR名称的末尾
OUTPUT_PATH="/path/to/output_name/unwrapped_last"

singularity exec --nv --pwd $ROOT_DIR -B $ROOT_DIR \
  --env WANDB_API_KEY=$WANDB_API_KEY \
  ${CONTAINER_PATH} \
  torchrun --nproc_per_node gpu --master_port ${PORT} \
    ${ROOT_DIR}/unwrap_model.py \
    --model-config ${MODEL_CONFIG} \
    --ckpt-path ${CKPT_PATH} \
    --name ${OUTPUT_PATH}

重构测试

完成VAE训练后，你可能想要测试和评估训练模型的重构质量。

我支持使用reconstruct_audios.py对目录中的音频文件进行重构， 你可以使用重构后的音频进行评估。

AUDIO_DIR="/path/to/original_audio/"
OUTPUT_DIR="/path/to/output_audio/"

FRAME_DURATION=1.0 # [秒]
OVERLAP_RATE=0.01
BATCH_SIZE=50

singularity exec --nv --pwd $ROOT_DIR -B $ROOT_DIR -B $DATASET_DIR \
  --env WANDB_API_KEY=$WANDB_API_KEY \
  ${CONTAINER_PATH} \
  torchrun --nproc_per_node gpu --master_port ${PORT} \
    ${ROOT_DIR}/reconstruct_audios.py \
    --model-config ${MODEL_CONFIG} \
    --ckpt-path ${UNWRAP_CKPT_PATH} \
    --audio-dir ${AUDIO_DIR} \
    --output-dir ${OUTPUT_DIR} \
    --frame-duration ${FRAME_DURATION} \
    --overlap-rate ${OVERLAP_RATE} \
    --batch-size ${BATCH_SIZE}

第二阶段：扩散变换器（DiT）

训练

作为Stable Audio 2.0的第二阶段，你将训练一个DiT，这是一个潜在域中的生成模型。

在这一部分之前，请确保

• 你已满足所有先决条件
• 你已经训练了VAE模型并创建了解包后的检查点文件（参见VAE部分）

现在，你可以按如下方式训练DiT模型：

CONTAINER_PATH="/path/to/sif/friendly-stable-audio-tools.sif"
ROOT_DIR="/path/to/friendly-stable-audio-tools/"
DATASET_DIR="/path/to/your/dataset/"
OUTPUT_DIR="/path/to/output/directory/"

MODEL_CONFIG="stable_audio_tools/configs/model_configs/txt2audio/stable_audio_2_0.json"
DATASET_CONFIG="stable_audio_tools/configs/dataset_configs/local_training_example.json"

# VAE（第一阶段）模型的预训练检查点
PRETRANSFORM_CKPT="/path/to/vae_ckpt/unwrapped_last.ckpt"

BATCH_SIZE=10 # 警告：这是每个GPU的批量大小
WANDB_API_KEY="12345x6789y..."
PORT=12345

singularity exec --nv --pwd $ROOT_DIR -B $ROOT_DIR -B $DATASET_DIR \
  --env WANDB_API_KEY=$WANDB_API_KEY \
  ${CONTAINER_PATH} \
  torchrun --nproc_per_node gpu --master_port ${PORT} \
    ${ROOT_DIR}/train.py \
    --dataset-config ${DATASET_CONFIG} \
    --model-config ${MODEL_CONFIG} \
    --pretransform-ckpt-path ${PRETRANSFORM_CKPT} \
    --name "dit_training" \
    --num-gpus ${NUM_GPUS} \
    --batch-size ${BATCH_SIZE} \
    --save-dir ${OUTPUT_DIR}

待办事项

• 添加便捷的采样脚本
• 增加更多音频增强功能
• 为Gradio界面添加文档
• 添加故障排除部分
• 添加贡献指南